kraken-htr-medieval-french

Kraken HTR — Manuscrits Médiévaux Français (XIIIe–XVe siècle)

Modèle de reconnaissance automatique d'écriture manuscrite (HTR) fine-tuné pour les manuscrits gothiques français médiévaux. CER = 6,0 % sur le split de validation (seuil d'excellence).

Description

Ce modèle est un réseau CNN+LSTM+CTC entraîné avec Kraken pour transcrire des manuscrits en écriture gothique textualis (français médiéval, XIIIe–XVe siècle). Il a été fine-tuné à partir du modèle pré-entraîné cremma-medieval sur le corpus CREMMA Médiéval.

Performance

Le CER de 15,2 % est mesuré sur un manuscrit complet non vu à l'entraînement (split par manuscrit), reflétant la performance réelle en conditions d'utilisation.

Comparaison avec d'autres approches

Test statistique

• McNemar χ² = 38,25, p < 0,001
• IC 95 % Kraken : [5,2 %, 6,9 %]
• IC 95 % TrOCR : [14,0 %, 16,6 %]
• Supériorité significative confirmée (intervalles non chevauchants)

Courbe d'apprentissage

Données d'entraînement

• Corpus : CREMMA Médiéval
• Volume : 20 327 lignes, 14 manuscrits littéraires français
• Période : XIIIe–XVe siècle
• Écriture : Gothique textualis
• Split : 18 092 lignes train / 2 235 lignes validation (split par manuscrit)
• Conventions : Transcription graphémique — abréviations conservées, pas de normalisation orthographique

Sources des manuscrits

Les images proviennent de Gallica (BnF) via le protocole IIIF :

• BnF ms. fr. (Bibliothèque nationale de France)
• Manuscrits littéraires en ancien et moyen français
• 227 pages traitées, 25 219 lignes transcrites au total

Architecture

Entraînement

Utilisation

Avec Kraken (ligne de commande)

pip install kraken

# Segmentation + transcription
kraken -i image.jpg output.txt segment -bl ocr -m kraken_final_best.mlmodel

Avec Kraken (Python)

from kraken import blla, rpred
from kraken.lib import vgsl
from PIL import Image

# Charger le modèle
model = vgsl.TorchVGSLModel.load_model('kraken_final_best.mlmodel')

# Charger et segmenter l'image
img = Image.open('manuscript_page.jpg')
baseline_seg = blla.segment(img)

# Transcrire
pred = rpred.rpred(model, img, baseline_seg)
for record in pred:
    print(record.prediction)

Pipeline complet (avec segmentation SAM)

# Prétraitement
python run_pipeline.py preprocess --input data/raw/ --output data/preprocessed/

# Segmentation Kraken BLLA
python run_pipeline.py segment --input data/preprocessed/ --output segmentations/

# Transcription
python run_pipeline.py transcribe --model kraken \
    --model-path models/kraken_final_best.mlmodel \
    --input segmentations/ --output results/

Limitations

• Optimisé pour la gothique textualis : performances dégradées sur d'autres types d'écriture (caroline, cursive, humanistique)
• Français médiéval uniquement : non adapté au latin, provençal ou autres langues médiévales sans fine-tuning supplémentaire
• Manuscrits littéraires : peut être moins performant sur les registres administratifs ou actes notariés
• Qualité d'image : nécessite des images haute résolution (≥300 DPI recommandé)
• Abréviations : le modèle transcrit les abréviations telles quelles (ꝯ, ꝑ, etc.) sans expansion

Alphabet supporté

Le modèle reconnaît les caractères suivants :

• Lettres latines standard (a-z, A-Z)
• Caractères médiévaux spéciaux : ꝯ, ꝑ, ⁊, ẽ, õ, ꝓ, ÷
• Lettres suscrites : ͣ, ͤ, ͥ, ͦ, ᷑
• Ponctuation médiévale : · . , ;
• Chiffres romains

Citation

@misc{ouaraz2026kraken-medieval-french,
  title={Pipeline HTR pour Manuscrits Médiévaux Français (XIIIe–XVe siècle)},
  author={Asmaa, Sanaa, Ayoub, Amine},
  year={2026},
  institution={HETIC — Master Data \& Intelligence Artificielle},
  note={Projet MD5, Module Vision par Ordinateur}
}

Références

• Kiessling, B. (2019). Kraken — A Universal Text Recognizer for the Humanities. DH2019.
• Pinche, A. et al. (2022). CREMMA Médiéval — Corpus pour la reconnaissance d'écriture médiévale. HTR-United.
• Clérice, T. et al. (2023). CATMuS Medieval. Inria/ALMAnaCH.

Informations du projet

• Projet : MD5 2026, Master Data & IA
• Repository : justmarruecos/htr-medieval-manuscripts-XIVe
• Licence : CC-BY 4.0