Optimisation du taux de reconnaissance OCR
Šiame puslapyje
Mise à jour du 2 novembre 2026 — OCR. La version OCR 4.0 (
mistral-ocr-4-0) a été retirée le 30 septembre 2026. Utilise OCR 4.1 (mistral-ocr-4-1), disponible en production depuis le 31 août au même tarif, ou l’aliasmistral-ocr-latestqui le cible depuis le 16 juillet. OCR 4.1 ajoute des scores de confiance au niveau des blocs. Addendum du 3 novembre 2026 : un PDF local est transmis en base64 sous la forme{"type": "document_url", "document_url": "data:application/pdf;base64,…"}; le typedocument_base64présent dans d’anciens exemples n’existe ni dans la documentation ni dans le SDKmistralai, et ces exemples auraient échoué. Sources : Processeur OCR · Q&R sur les documents.
La qualité d’entrée détermine la qualité de sortie
L’équipe de Mistral l’a dit clairement lors de leur webinaire sur Document AI : « des données erronées en entrée donnent des résultats erronés en sortie ». Peu importe la puissance du modèle, il ne peut pas récupérer des informations qu’un scan n’a pas capturées. Lorsqu’un projet d’extraction donne de mauvais résultats, le coupable se trouve presque toujours en amont de l’API : une photocopie délavée, un fax rescanné ou une photo prise en biais dans un entrepôt mal éclairé. Cette leçon couvre les leviers qui impactent réellement la précision.
Résolution et prétraitement
Le premier levier est la résolution du scan. Les cibles dépendent du contenu du document :
- Documents imprimés : 200 PPP minimum, 300 PPP recommandés
- Écriture manuscrite : 300 PPP minimum
- Tableaux complexes : 300 PPP recommandés
- Documents historiques : 400 PPP ou plus
En dessous de ces valeurs, les lignes fines disparaissent et aucun traitement logiciel ne peut les faire réapparaître. Aller au-delà augmente surtout la taille du fichier. Si tu maîtrises la chaîne de numérisation, configurer correctement le scanner t’évitera bien plus de soucis que n’importe quelle astuce de codage.
Lorsque le document arrive déjà numérisé, le prétraitement d’image peut permettre de rattraper le coup. La fonction ci-dessous enchaîne quatre opérations classiques — conversion en niveaux de gris, amélioration du contraste, accentuation et binarisation — avant de renvoyer l’image encodée en base64, prête pour l’appel OCR :
from PIL import Image, ImageEnhance, ImageFilter
import io
import base64
def pre_process_image(image_path: str) -> str:
"""Prétraite une image pour améliorer l'extraction OCR."""
img = Image.open(image_path)
# 1. Conversion en niveaux de gris
img = img.convert("L")
# 2. Augmentation du contraste
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(1.5)
# 3. Augmentation de la netteté
img = img.filter(ImageFilter.SHARPEN)
# 4. Binarisation (seuillage)
img = img.point(lambda x: 0 if x < 128 else 255, "1")
# Conversion en base64
buffer = io.BytesIO()
img.save(buffer, format="PNG")
return base64.b64encode(buffer.getvalue()).decode("utf-8")
Teste ce traitement sur un échantillon avant de l’appliquer à tout un lot. La binarisation, en particulier, est brutale : sur un document déjà net, elle n’apporte rien, et sur un document au crayon, elle peut effacer entièrement le texte.
L’orientation est l’autre correction à ne pas négliger. Les scans arrivent souvent tournés de 90 ou 180 degrés, et l’information d’orientation est généralement stockée dans les métadonnées EXIF de l’image :
from PIL import Image
def correct_orientation(image_path: str) -> Image.Image:
"""Corrige l'orientation d'une image scannée via les métadonnées EXIF."""
img = Image.open(image_path)
# Utilisation des données EXIF pour corriger l'orientation
try:
exif = img._getexif()
if exif:
orientation = exif.get(274) # Balise d'orientation EXIF
rotations = {3: 180, 6: 270, 8: 90}
if orientation in rotations:
img = img.rotate(rotations[orientation], expand=True)
except (AttributeError, KeyError):
pass
return img
Le bloc try large est justifié ici : de nombreuses images n’ont pas de données EXIF, et l’absence de données d’orientation ne doit pas interrompre le traitement par lots.
Adaptation de la configuration au type de document
Pour les documents imprimés courants — factures, contrats, rapports — la configuration optimale consiste à demander explicitement l’extraction des tableaux plutôt que de s’en remettre aux paramètres par défaut :
# Configuration optimale pour les documents imprimés
ocr_response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{document_base64}"
},
table_format="markdown" # Extraction explicite des tableaux
)
L’écriture manuscrite nécessite plus de soin en amont. Scanne à 300 PPP minimum, augmente le contraste entre l’encre et le papier, mais saute la binarisation agressive du script précédent : elle efface les traits fins de stylo à bille et tu perdras plus d’informations que tu n’en gagneras. Le modèle gère bien l’écriture manuscrite lui-même, y compris les textes multilingues, ce qui n’était pas acquis avec les générations précédentes d’OCR.
Enfin, il y a les scans sévèrement dégradés — archives, documents froissés, copies de copies. La stratégie change : commence par réduire le bruit avec un filtre médian avant de booster le contraste, puis augmente la luminosité si l’ensemble reste trop sombre.
from PIL import Image, ImageFilter, ImageEnhance
def improve_scan(path: str) -> Image.Image:
"""Améliore un scan de faible qualité."""
img = Image.open(path)
# Réduction du bruit
img = img.filter(ImageFilter.MedianFilter(size=3))
# Augmentation du contraste
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# Augmentation de la luminosité si trop sombre
enhancer = ImageEnhance.Brightness(img)
img = enhancer.enhance(1.2)
return img
L’ordre compte : augmenter le contraste avant de supprimer le bruit ne fait que renforcer les taches autant que les lettres.
Traitement de volumes importants
Dès que le nombre de fichiers dépasse quelques unités, tu as besoin d’un traitement par lots avec une gestion d’erreur par fichier. Pour de très gros volumes, Mistral propose le service Batch Inference ; le script suivant montre la logique de base pour un dossier de PDF, où chaque échec est consigné dans les résultats au lieu de briser la boucle :
import os
import json
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
def process_folder(folder: str) -> dict:
"""Traite tous les PDF d'un dossier."""
results = {}
path = Path(folder)
for file in path.glob("*.pdf"):
print(f"Processing {file.name}...")
with open(file, "rb") as f:
import base64
doc_b64 = base64.b64encode(f.read()).decode("utf-8")
try:
response = client.ocr.process(
model="mistral-ocr-latest",
document={
"type": "document_url",
"document_url": f"data:application/pdf;base64,{doc_b64}"
},
table_format="markdown"
)
results[file.name] = {
"pages": len(response.pages),
"content": "\n\n".join(
p.markdown for p in response.pages
)
}
except Exception as e:
results[file.name] = {"error": str(e)}
return results
Ce dictionnaire de résultats te donne, à la fin du traitement, la liste exacte des fichiers à relancer. Sur un lot de plusieurs centaines de documents, c’est la différence entre relancer trois fichiers et tout recommencer depuis zéro.
Vérifier avant d’exploiter
Une extraction qui a réussi techniquement peut avoir échoué dans la pratique : une page blanche renvoyée pour un scan illisible, ou un flot de caractères aberrants sur une image bruitée. Quelques heuristiques simples suffisent à déclencher une alerte automatique.
def verify_quality(markdown: str) -> dict:
"""Vérifie la qualité d'une extraction OCR."""
indicators = {
"length": len(markdown),
"words": len(markdown.split()),
"empty_lines_ratio": markdown.count("\n\n") / max(len(markdown), 1),
"special_chars_ratio": sum(
1 for c in markdown if not c.isalnum() and c not in " \n\t.,;:!?-"
) / max(len(markdown), 1),
}
# Alertes
if indicators["words"] < 10:
indicators["alert"] = "Très peu de texte extrait"
elif indicators["special_chars_ratio"] > 0.3:
indicators["alert"] = "Ratio élevé de caractères spéciaux"
return indicators
Les deux seuils sont indicatifs et doivent être calibrés selon ton corpus : dix mots pour une page de contrat signalent un problème, mais pas pour un bon de livraison qui n’en contient que quinze.
Résumé opérationnel
Retiens la chaîne dans son ordre logique. Scanne à 300 PPP minimum pour tout document non trivial, et augmente le contraste avant envoi si le document est délavé. Corrige l’angle de rotation des scans. Privilégie toujours le PDF natif à un scan lorsqu’il est disponible : sa qualité est structurellement supérieure. Spécifie explicitement table_format="markdown" ou "html" dès qu’il y a des tableaux. Traite par lots et parallélise les appels pour les gros volumes. Et valide systématiquement la qualité de l’extraction avant de l’alimenter dans ton système d’information — les mauvaises données coûtent plus cher que les données manquantes.
Svarbiausi punktai
- La qualité du document source est le facteur principal de précision
- Le prétraitement d’image (contraste, netteté, binarisation) améliore les résultats
- Adapte ton approche au type de document (imprimé, manuscrit, dégradé)
- Utilise le traitement par lots pour les gros volumes
- Valide toujours la qualité de l’extraction avant utilisation