Update README.md

README.md

@@ -1,3 +1,116 @@
 ---
 license: cc0-1.0
+base_model:
+- Ultralytics/YOLO26
+pipeline_tag: image-segmentation
+tags:
+- document-layout
+- yolo
+- document-layout-analysis
 ---
+# **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 SegN](Yolo-Seg-TextRegion-TextLine-Manuscript-SegN/BoxPR_curve.png)
+
+Courbe PR pour le modèle SegX
+
+![Courbe PR SegX](Yolo-Seg-TextRegion-TextLine-Manuscript-SegX/BoxPR_curve.png)
+
+- **Matrice de confusion** :  
+
+Confusion Matrix pour le modèle SegN
+
+![Confusion Matrix SegN](Yolo-Seg-TextRegion-TextLine-Manuscript-SegN/confusion_matrix_normalized.png)
+
+Confusion Matrix pour le modèle SegX
+
+![Confusion Matrix SegN](Yolo-Seg-TextRegion-TextLine-Manuscript-SegX/confusion_matrix_normalized.png)
+
+
+- **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](https://nakala.fr/10.34847/nkl.b6ca1k68)
+
+![Exemple](FRAD052_8H033_0043.jpg)
+
+---
+
+## **Utilisation****
+
+### **Installation**
+
+```bash
+pip install ultralytics==8.4.49 torch torchvision
+```
+
+### **Inférence**
+
+```python
+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