LaMOP/Yolo-Seg-TextRegion-TextLine-Manuscript

Fiche Technique : Modèles YOLOv26n,x (Ultralytics)

Version : 1.0 | Date : 22/05/2026

---

Informations générales

Modèles YOLOv26 spécialisés pour la segmentation de régions de texte (TextRegion) et de lignes de texte (TextLine) dans des manuscrits médievaux.

Cas d'usage : HTR.

Champ	SegN	SegX
Nom du modèle	Yolo-Seg-TextRegion-TextLine-Manuscript-SegN.pt	Yolo-Seg-TextRegion-TextLine-Manuscript-SegX.pt
Librairie	Ultralytics YOLOv8.4.49	Ultralytics YOLOv8.4.49
Type	Segmentation d’instances	Segmentation d’instances
Architecture	YOLOv26n (nano)	YOLOv26x (extra-large)
Taille des poids	~6.6 Mo	~141 Mo
Résolution d’entrée	640x640 (par défaut)	640x640 (par défaut)
Classes	2 (TextRegion, TextLine)	2 (TextRegion, TextLine)
Framework	PyTorch ≥ 2.0	PyTorch ≥ 2.0
Licence	CC-Zero	CC-Zero

---

Performances

Métrique	Valeur SegN	Valeur SegX
mAP50-95 (val)	63.98%	68.73%
mAP50 (val)	82.25%	84.92%
Précision (P)	0.88186	0.90743
Rappel (R)	0.76673	0.80739

---

Dataset

Composition

• Taille totale : 6599 images (5279 train / 1320 val).
• Format d’annotation : YOLO (fichiers .txt avec masques de segmentation).

---

---

Courbes et visualisations

• Courbe PR (Precision-Recall) :

Courbe PR pour le modèle SegN

Courbe PR pour le modèle SegX

• Matrice de confusion :

Confusion Matrix pour le modèle SegN

Confusion Matrix pour le modèle SegX

• Exemple de détection :

Exemple sur le manuscrit "FRAD052_8H033_0043, Arch. dép. Haute-Marne, 8 H 33, Vrécourt n°7", disponible sur l'entrepôt de données Nakala

---

Utilisation**

Installation

pip install ultralytics==8.4.49 torch torchvision

Inférence

from ultralytics import YOLO

# Charger le modèle
model = YOLO("Yolo-Seg-TextRegion-TextLine-Manuscript-SegX.pt")

# Prédiction sur une image
results = model.predict("document.jpg", conf=0.5, show=True)

# Accéder aux masques de segmentation
for result in results:
    masks = result.masks.data  # Tensor des masques
    boxes = result.boxes.data   # Boîtes englobantes