Welcome to the OCR & LLM-based solution Pipeline Documentation for Historical Documents (Dictionnaire de Trévoux)!

Table of Contents

• Introduction
  • OCR Pipeline Description
• Evaluation Metrics
  • Character Error Rate (CER)
  • Word Error Rate (WER)
  • Normalisation Before Evaluation
• Models
  • Mistral OCR
  • Qwen2.5-VL 7b (Ollama)
  • Post-Correction: Mistral Large
  • Model Comparison Summary
  • Kraken+Ciaconna
• Results
  • Experimental Setup
  • Results: Mistral OCR + Mistral Large
  • Results: Qwen2.5-VL 7b
  • Cross-Model Comparison (Page Pe)
  • Key Observations
  • Results: GLM-OCR (Ziphu AI)
• API Reference
  • run_mistral_ocr(image_path)
  • clean_markdown(text)
  • run_mistral_correction(ocr_text)
  • normalize(text)
  • cer(gold, pred)
  • wer(gold, pred)
  • levenshtein_chars(a, b)
  • levenshtein_words(a, b)
• Pipeline OCR : Dictionnaire de Trévoux
  • Architecture
  • Moteurs OCR testés
  • Problème identifié : lecture en colonnes
  • Correction LLM
  • Évaluation : CER et WER
  • Prochaines étapes