---
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 documents.

**Cas d'usage** : OCR, transcription automatique, analyse de documents patrimoniaux.

| **Champ**               | **SegN**                          | **SegX**                          
|-------------------------|-----------------------------------|-----------------------------------
| **Nom du modèle**       | `Yolo-Seg-TextRegion-TextLine-Typed-SegN.pt` | `Yolo-Seg-TextRegion-TextLine-Typed-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) | 73.62%     | 76.97%    |
| mAP50 (val)    | 94.37%     | 95.30%    |
| Précision (P)  | 0.930      | 0.95383   |
| Rappel (R)     | 0.912      | 0.93317   |
| F1-Score       | 0.921 | 0.943 |
---


## **Dataset**

### **Composition**

- **Taille totale** : **4 956 images** (4 460 train / 496 val).
- **Sources** : **16 datasets publics** (voir [liste complète](#-sources-des-datasets)).
- **Langues couvertes** : Français, Anglais, Espagnol, Italien, Allemand, Latin, Corse, etc.
- **Périodes** : XVIe–XXe siècles (majorité : XVIIIe–XIXe).
- **Format d’annotation** : YOLO (fichiers `.txt` avec masques de segmentation).
- **Répartition des classes** :
  - TextRegion : 9% (23195)
  - TextLine : 91% (234634)

---

### **Sources des Datasets**

[Ehri-dataset](https://github.com/FloChiff/ehri-dataset)

[CORDEL-CA-PRINT-19](https://github.com/FoNDUE-HTR/CORDEL-CA-PRINT-19/)

[CORDEL-ES-PRINT-19](https://github.com/FoNDUE-HTR/CORDEL-ES-PRINT-19)

[FONDUE-EN-PRINT-20](https://github.com/FoNDUE-HTR/FONDUE-EN-PRINT-20)

[FONDUE-ES-PRINT-19](https://github.com/FoNDUE-HTR/FONDUE-ES-PRINT-19)

[FONDUE-FR-PRINT-20](https://github.com/FoNDUE-HTR/FONDUE-FR-PRINT-20)

[FONDUE-IT-PRINT-20](https://github.com/FoNDUE-HTR/FONDUE-IT-PRINT-20)

[FONDUE-MLT-ART](https://github.com/FoNDUE-HTR/FONDUE-MLT-ART)

[FONDUE-MLT-CAT](https://github.com/FoNDUE-HTR/FONDUE-MLT-CAT/)

[Kat_57-SE-MSS-20](https://github.com/FoNDUE-HTR/Kat_57-SE-MSS-20)

[HTR-imprime-18e-siecle](https://github.com/Gallicorpora/HTR-imprime-18e-siecle)

[Cremma-16-17-print](https://github.com/HTR-United/cremma-16-17-print)

[Dahncorpus](https://github.com/HTR-United/dahncorpus)

[Tapuscorpus](https://github.com/HTR-United/tapuscorpus)

[NuBIS-OCR](https://github.com/ksefil/NuBIS-OCR)

[HN2021-OCR-Poesie-Corse](https://github.com/PSL-Chartes-HTR-Students/HN2021-OCR-Poesie-Corse)

[TNAH-2021-ArgusDesBrevets](https://github.com/PSL-Chartes-HTR-Students/TNAH-2021-ArgusDesBrevets)

---

## **Courbes et visualisations**

- **Courbe PR (Precision-Recall)** :  

Courbe PR pour le modèle SegN

![Courbe PR SegN](Yolo-Seg-TextRegion-TextLine-Typed-SegN/BoxPR_curve.png)

Courbe PR pour le modèle SegX

![Courbe PR SegX](Yolo-Seg-TextRegion-TextLine-Typed-SegX/BoxPR_curve.png)

- **Matrice de confusion** :  

Confusion Matrix pour le modèle SegN

![Confusion Matrix SegN](Yolo-Seg-TextRegion-TextLine-Typed-SegN/confusion_matrix_normalized.png)

Confusion Matrix pour le modèle SegX

![Confusion Matrix SegN](Yolo-Seg-TextRegion-TextLine-Typed-SegX/confusion_matrix_normalized.png)


- **Exemple de détection** :  

Exemple sur la thèse **Relief, érosion différentielle et morphogenèse dans un bourrelet montagneux de haute latitude : Lofoten-vesteralen et Sogn-Jotun (Norvège)** de Jean-Pierre Peulvast disponible sur le site de la [Nubis](https://nubis.bis-sorbonne.fr/ark:/15733/nt07?view=full)

![Exemple](ark_15733_nt07_BIS_00_01362_V03_0007.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-Typed-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