Préparer un projet d’extraction de textes en graphies non-latines : conseils pratiques

Le GT1 du consortium Distam propose une fiche pratique pour la prise en main d’un projet d’extraction de texte à partir de graphies non latines. Le document vient compléter le guide proposé en 2022 par Noëmie Lucas, OCR/HTR et graphie arabe, qui dresse un état des lieux technologique et méthodologique de la reconnaissance optique des caractères arabes.

Il s’agit de rendre visible les étapes cruciales de tels projets, en insistant sur les choix qui peuvent être faits à chaque étape et qui déterminent l’avancement du travail. La fiche pratique aborde les points suivants

• Qu’est-ce qu’extraire un texte depuis une image d’un manuscrit et quelles sont les différentes manières d’y parvenir ?
• Pour quels usages extraire un texte ?
• Préparer l’HTR : connaitre son corpus ; connaitre les outils
• Les différentes phases de l’HTR : segmentation, alignement, entrainement d’un modèle
• Préparer l’HTR : connaitre les projets similaires et le champ d’étude
• La phase de post-traitement
• Partager et ouvrir ses données : mise à disposition des jeux de données et des modèles

Le document a été rédigé par Anaïs Wion et Chahan Vidal-Gorène et relu par Jean-Christophe Peyssard.