aryadocr 0.1.14

Un package Python pour l'OCR

AryadOCR

AryadOCR est un module Python performant pour l'entraînement d'un modèle OCR basé sur PyTorch. Il est conçu pour la reconnaissance de caractères à partir de datasets fusionnés, avec une prise en charge du CTC Loss pour les séquences de longueur variable.

---

Installation

Assurez-vous d'avoir Python 3.8+ et PyTorch installé :

pip install torch torchvision
pip install aryadocr

Installez les dépendances supplémentaires si nécessaire :

pip install numpy tqdm

---

Fonctionnalités principales

• Chargement flexible des datasets (load_set, dataset_merged)
• Filtrage avancé par motifs (filter_by_patterns)
• Création automatique de vocabulaire pour le CTC
• Gestion des séquences via AryadCollator
• Modèle AryadOcr entraînable avec PyTorch
• Support complet pour entraînement et validation

---

Chargement et fusion des datasets

1. load_set(name_set : str)
   Charge un dataset spécifique par nom :

from aryadocr.dataset import load_set

dataset_a = load_set("set_a")
dataset_b = load_set("set_b")

2. dataset_merged(list_set : list)
   Fusionne plusieurs datasets en un seul objet :

from aryadocr.dataset import dataset_merged

merged_dataset = dataset_merged(["set_a", "set_b", "set_c"])

3. filter_by_patterns(dataset, patterns)
   Filtre le dataset selon des motifs présents dans les phonèmes :

from aryadocr.dataset import filter_by_patterns

patterns = ['1', '2', 'llL']
filtered_dataset = filter_by_patterns(merged_dataset, patterns)

---

Création du vocabulaire OCR

Le vocabulaire est généré automatiquement à partir des phonèmes filtrés :

vocabOcrArabic = {
    v: k for k, v in enumerate(
        ['<BLANK>'] +
        list(set([token for phoneme in filtered_dataset['phonemes'] for token in phoneme.split('|')])) +
        ['<PAD>']
    )
}
num_classes = len(vocabOcrArabic)

• <BLANK> : utilisé pour le CTC Loss
• <PAD> : padding pour séquences de différentes longueurs

---

Préparation des DataLoaders

Le collator gère les séquences de longueurs différentes et les transforme en tenseurs compatibles avec le CTC :

from aryadocr.dataset import AryadCollator
from torch.utils.data import DataLoader

collator = AryadCollator(vocabOcrArabic=vocabOcrArabic)

train_loader = DataLoader(filtered_dataset, batch_size=4, shuffle=True, collate_fn=collator)
val_loader = DataLoader(filtered_dataset, batch_size=4, shuffle=False, collate_fn=collator)

---

Initialisation et entraînement du modèle

from aryadocr.model import AryadOcr

ocr_model = AryadOcr(vocabOcrArabic=vocabOcrArabic)
ocr_model.fit(train_loader, val_loader)

Le modèle utilise le CTC Loss pour reconnaître des séquences de phonèmes et caractères.
Les métriques et la progression sont affichées automatiquement pendant l'entraînement.

---

Bonnes pratiques

• Vérifiez que vos datasets contiennent la colonne phonemes.
• Utilisez filter_by_patterns pour exclure les séquences non désirées.
• Assurez-vous que le vocabulaire contient <BLANK> et <PAD> avant l’entraînement.
• Ajustez le batch size selon la capacité GPU pour un entraînement optimal.

---

Exemple complet

from aryadocr.dataset import dataset_merged, load_set, filter_by_patterns, AryadCollator
from torch.utils.data import DataLoader
from aryadocr.model import AryadOcr

patterns = ['1', '2', 'llL']
set_abc = filter_by_patterns(dataset_merged(["set_a", "set_b", "set_c"]), patterns)
set_d = filter_by_patterns(load_set("set_d"), patterns)

vocabOcrArabic = {
    v:k for k,v in enumerate(
        ['<BLANK>'] + 
        list(set([token for phoneme in set_abc['phonemes'] for token in phoneme.split('|')])) + 
        ['<PAD>']
    )
}

ocr_model = AryadOcr(vocabOcrArabic)
collator = AryadCollator(vocabOcrArabic=vocabOcrArabic)
train_loader = DataLoader(set_abc, batch_size=4, shuffle=True, collate_fn=collator)
val_loader = DataLoader(set_abc, batch_size=4, shuffle=False, collate_fn=collator)

ocr_model.fit(train_loader, val_loader)

---

License

AryadOCR est publié sous licence MIT.

---

Support

Pour tout problème ou suggestion, merci de nous contacter : [e-mail]