Benchmarks de précision

Résultats issus des artefacts d’évaluation validés. Les dates indiquées sont les dates de mesure.

Mise à niveau moteur OCR : PP-OCRv5 → PP-OCRv6

Mesuré le 09/07/2026 sur un GPU RTX 3090 local exécutant l'image de production (paddleocr==3.7.0, CUDA 12.9). Échantillons : un véritable document photographié en HEIC de 24 MP (texte polonais, vérité terrain transcrite par un humain) et les PDF d'exemple de facture et de reçu du dépôt (vérité terrain pdftotext). L'évaluation utilise le rappel et la précision d'ensembles multiples indépendants de l'ordre.

La configuration déployée est PP-OCRv6 medium avec text_det_box_thresh=0.5. Le seuil de boîte plus bas récupère les lignes pâles dans les zones de brillance ou de perspective des photos prises par appareil photo (+20 points de rappel des mots), sans régression sur les pages rendues propres.

Métrique	PP-OCRv5 (précédent)	PP-OCRv6 medium + box_thresh 0.5 (actuel)
Rappel de mots (photo caméra)	0.670	0.865 (+29 %)
Rappel diacritiques polonais (photo caméra)	0.562	0.775 (+38 %)
Précision de mots (photo caméra)	0.986	0.955
Rappel numérique (photo caméra)	0.000	0.000
Rappel numérique (ticket de caisse)	0.818	1.000 (+22 %)
Facture imprimée dense (rappel/précision de mots)	1.000 / 1.000	1.000 / 1.000
Latence GPU à chaud (RTX 3090, page dense)	~0.55 s	~1.13 s

Le rappel des mots sur les pages imprimées rendues (PDF de factures et de reçus) est de 1,000 avec les deux versions du moteur : l'amélioration se concentre sur les photos prises par appareil, où la perspective, la brillance et la compression sollicitent le détecteur. Le rappel numérique (montants, dates, identifiants) est l'indicateur le plus proche de la précision d'extraction des champs, car les champs sont associés à partir de ces jetons.

Moteur photo : prétraitement de documents caméra

Mesuré le 09/07/2026 (même matériel et même image que le banc d'essai du moteur OCR). Le moteur photo applique un redressement géométrique et une classification de l'orientation aux importations depuis un appareil photo avant l'OCR. Il a été décidé de l'activer uniquement pour les importations IMAGE : appliqué à des pages déjà planes et rendues, le redressement fait passer le rappel des mots de 1,000 à 0,635 en déformant les pixels alignés.

Métrique	Sans prétraitement (référence)	Avec redressement (uploads caméra)
Rappel de mots (photo caméra)	0.865	0.921 (+6.6 %)
Rappel diacritiques polonais (photo caméra)	0.775	0.854 (+10.2 %)
Précision de mots (photo caméra)	0.955	0.961
Rappel de mots. Page dense imprimée	1.000	0.635 (régression, limité aux photos par conception)

Le gain apporté par le redressement est réel, mais nécessite que le service OCR renvoie l'image de page transformée afin que les boîtes englobantes soient tracées dans le bon espace de coordonnées (transformé). La limitation aux photos évite la régression sur les pages denses. La fonctionnalité est contrôlée par la variable d'environnement OCR_PHOTO_TRANSFORMS_ENABLED.

Détection de séparation de PDF multi-factures

Mesuré le 21/07/2026 à l'aide de l'ensemble d'évaluation synthétique étiqueté généré par scripts/gen_split_eval.py et évalué par scripts/eval_doc_split.py. Le détecteur utilise la couche de texte intégrée (pdftotext) pour trouver les signaux de limite de page (en-têtes de facture, motifs d'étiquettes de date, mots-clés de type de document) avant tout appel OCR ou LLM ; la détection des limites est donc gratuite.

Condition	Précision des limites	Rappel des limites	F1	Documents évalués
Texte propre (sans bruit OCR)	1.000	1.000	1.000	660
Bruit OCR au niveau des caractères : 2 %	-	-	0.969	660

The eval set mixes multi-invoice PDFs with single-invoice negatives. Precision and recall are computed on exact page-index boundary matches. The 2 %% OCR noise model applies per-character confusion, dropping, and swapping (including colon loss, which breaks label regexes). At that noise level the detector achieves F1 0.969, which motivated the suggest-and-confirm UX: boundaries are offered to the user for review rather than applied silently.

Notes méthodologiques

Tous les chiffres proviennent des artefacts d'évaluation validés dans le dépôt (docs/ocr-calibration/*.json, docs/OCR_IMAGE_CALIBRATION.md). Les résultats de la détection de séparation se trouvent dans docs/ocr-calibration/split_detection_results.json. Aucun chiffre n'est estimé ni extrapolé.
L'évaluation OCR utilise le rappel et la précision d'ensembles multiples indépendants de l'ordre : la métrique vérifie si chaque jeton de mot de la vérité terrain apparaît dans la sortie OCR (rappel) et si chaque jeton de la sortie OCR apparaît dans la vérité terrain (précision), sans pénaliser les différences d'ordre de lecture. C'est un meilleur indicateur de la précision d'extraction des champs que les métriques de similarité de séquence, sensibles aux changements de segmentation des lignes qui n'affectent pas le contenu des jetons.
La vérité terrain de la photo prise par appareil est une transcription humaine du document de test (docs/IMG_2375.HEIC). La vérité terrain de la page imprimée est dérivée de pdftotext, le même outil utilisé par le chemin rapide pour les PDF numériques.
La précision et le rappel de la détection de séparation mesurent les correspondances exactes d'index de page sur des PDF à plusieurs factures générés synthétiquement, dont les limites sont connues. L'ensemble d'évaluation couvre plusieurs types de facture, formats de date et noms de fournisseur.
Les nouvelles exécutions des benchmarks après toute modification du moteur peuvent être déclenchées avec les scripts de scripts/. Les nouveaux résultats sont déposés dans dev-artifacts/ (ignoré par git) et validés après examen.

Questions sur la méthodologie ou les résultats : [email protected]

Pas encore mesuré

Deux chiffres qu'un acheteur demandera sont volontairement absents de cette page, car aucune évaluation ne les étaye :

Précision d'extraction au niveau des champs (précision, rappel, F1 ou correspondance exacte par champ, comme le numéro de facture, le total ou le numéro fiscal). Les chiffres OCR ci-dessus mesurent si les mots sont lus, pas si la bonne valeur arrive dans le bon champ. Un jeu d'évaluation annoté est en cours de constitution ; tant qu'il n'existe pas, aucun pourcentage n'est publié.
Latence de bout en bout (p50 et p95 du téléversement au résultat). Les temps par étape sont enregistrés comme métriques, mais aucune référence n'a été publiée.

Là où DocSolved fait moins bien, c'est connu : photos de pages brillantes ou courbées (rappel de mots 0,865 contre 1,000 sur une page imprimée propre), les chiffres sur cette même photo (rappel numérique 0,000, inchangé par rapport au moteur précédent, alors qu'un seuil de détection que nous ne livrons pas y atteint 1,000), diacritiques polonais sur photo (0,775) et redressement de photo appliqué à une page déjà plate (0,635, raison pour laquelle il ne s'applique qu'aux photos). Ces cas peuvent être vérifiés plutôt que crus sur parole : sur un document numérisé, un champ extrait porte l'ancrage que l'appariement a pu établir — le texte source apparié, un statut d'appariement et une position sur la page lorsque la valeur est ancrée — et peut porter un score de confiance. Les champs issus de factures électroniques structurées ne passent pas du tout par l'OCR ; ils proviennent des données sources et n'ont pas besoin de ces signaux.

Chiffres lisibles par machine : docs/benchmarks/results.json dans le dépôt, dérivés des artefacts versionnés, et la méthodologie dans docs/benchmarks/METHODOLOGY.md.