Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Optimisation de la précision de l'OCR

Nodarbība 8 no 16 Atjaunota 2026. gada 3. novembris Programmētājs
Šajā lapā
  1. La qualité d’entrée détermine la qualité de sortie
  2. Résolution et prétraitement
  3. Adaptation de la configuration au type de document
  4. Traitement des volumes
  5. Vérifier avant d’exploiter
  6. Résumé opérationnel
  7. Galvenās atziņas

Mise à jour du 2 novembre 2026 — OCR. L’OCR 4.0 (mistral-ocr-4-0) a été retiré le 30 septembre 2026. Utilise OCR 4.1 (mistral-ocr-4-1), disponible depuis le 31 août au même tarif, ou l’alias mistral-ocr-latest qui le cible depuis le 16 juillet. L’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 type document_base64 présent dans d’anciens exemples n’existe ni dans la documentation ni dans le SDK mistralai, et ces exemples auraient échoué. Sources : Processeur OCR · QnA sur document.

La qualité d’entrée détermine la qualité de sortie

L’équipe de Mistral l’a dit clairement lors de leur webinaire sur Document AI : c’est « garbage in, garbage out » (données erronées en entrée, résultats erronés en sortie). Peu importe la puissance du modèle, il ne peut pas récupérer des informations qu’une numérisation a échoué à capturer. Lorsqu’un projet d’extraction donne des résultats médiocres, le coupable se trouve presque toujours en amont de l’API : une photocopie délavée, un fax re-numérisé 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 de numérisation. 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 revenir. Aller plus haut augmente surtout la taille du fichier. Si tu contrôles 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 numérisée 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 se résume à demander explicitement l’extraction des tableaux plutôt que de compter sur les 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. Numérise 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 lui-même gère bien l’écriture manuscrite, y compris le texte multilingue, 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 : booster le contraste avant de supprimer le bruit ne fait que renforcer les taches autant que les lettres.

Traitement des volumes

Une fois 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 grands 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 sur 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. Numérise 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. Préfère toujours le PDF natif à un scan lorsque disponible : sa qualité est structurellement supérieure. Spécifie explicitement table_format="markdown" ou "html" dès que des tableaux sont impliqués. Traite par lots et parallélise les appels pour les grands 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.

Galvenās atziņas

  • 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 grands volumes
  • Valide toujours la qualité de l’extraction avant utilisation