c10-ner-chr-b2b-1

Kahouli/c10-ner-chr-b2b-1

c10-ner-chr-b2b-1 is a machine learning model from Kahouli. Use it for the machine learning task on the model card, and read the license before you ship it in a product. It is set up for spacy. The card lists the license as mit.

Modèles NER fine-tunés sur le catalogue C10 (Cafés · Hôtels · Restaurants — 432 SKU répartis sur 10 familles : jus de fruits, softs, sirops, eaux, vins, thés/infusions, spiritueux, bières, cidres).

Downloads · 30 days

4% of all-time downloads

All-time downloads

Public

Repo size

572 MB

Likes

Public

Hugging Face

Repo makeup

Click a slice to open those files.

.whl572 MB · 100%

At a glance

Library: spacy
License: mit
Access: Public
Created: Jun 16, 2026
Updated: Jun 16, 2026
SHA: ced1c19b

Model card

From the Hugging Face model README

🛒 C10 NER – Extraction d'entités pour commandes B2B CHR

Modèles NER fine-tunés sur le catalogue C10 (Cafés · Hôtels · Restaurants — 432 SKU répartis sur 10 familles : jus de fruits, softs, sirops, eaux, vins, thés/infusions, spiritueux, bières, cidres).

Ce repo contient deux pipelines entraînés et évalués sur le même split :

Pipeline	Fichier	Architecture	Profil
`fr_c10_ner_tok2vec`	`fr_c10_ner_tok2vec-1.0.0-py3-none-any.whl`	spaCy tok2vec/CNN (`fr_core_news_lg`)	rapide, CPU
`fr_c10_ner_camembert`	`fr_c10_ner_camembert-1.0.0-py3-none-any.whl`	spaCy-transformers + `camembert-base`	précis, GPU recommandé en entraînement

Modèle recommandé pour le déploiement temps réel (Space) : tok2vec (sélectionné automatiquement par F1 sur le dev set lors de l'entraînement).

Entités reconnues

Label	Source CSV	Exemple
`PRODUCT`	`LibelleCourt`	Coca-Cola, 1664, Absolut
`SKU`	`sku`	1200000030
`QUANTITY`	(commande)	5, 12, une dizaine
`FAMILLE`	`Famille`	bières, vins, softs
`FORMAT`	`Contenance` + `UniteContenance`	33cl, 75cl, 1L
`MARQUE`	`MarqueFabricant`	Grimbergen, Nicolas Feuillatte
`CONDITIONNEMENT`	`UniteVente` + `NbUniteVente`	caisse, pack, palette
`UNITE_VENTE`	(commande)	bouteille, canette, fût

Usage rapide

import spacy
nlp = spacy.load("Kahouli/c10-ner-chr-b2b-1")  # après installation du wheel correspondant
doc = nlp("3 caisses de Grimbergen 33cl et 2 fûts de 1664")
for ent in doc.ents:
    print(ent.text, ent.label_)

Pipeline de résolution catalogue

Le NER seul ne suffit pas à résoudre un SKU exact : plusieurs SKU du catalogue C10 partagent le même LibelleCourt mais diffèrent par leur contenance (ex : champagne en 0,375L / 0,75L / 1,5L). La résolution combine donc le nom produit, la marque et le format extraits (voir find_candidate_skus() dans le notebook d'entraînement) plutôt qu'un simple matching exact sur le nom.

Library: spacy
License: mit
Languages: fr
Created: Jun 16, 2026
Updated: Jun 16, 2026