3f2e2ee9f4
Qwen ne lit systématiquement que la colonne de gauche du tableau
Codage quand on lui donne la page recueil entière : la colonne droite
(Recodage) a 27% de couverture en V2.0 avec 100% de validité — une
régression majeure puisque c'est le cœur métier du contrôle T2A.
Solution : après le passage principal, refaire une extraction dédiée
sur un crop zonal de la seule colonne Recodage (y=0.330→0.490 pour
exclure le bloc Actes adjacent). Prompt strict anti-hallucination
("beaucoup de lignes sont vides, n'invente rien"). Le résultat écrase
partiellement `codage_reco` (DP/DR/DAS) dans le JSON principal.
Classification Python par règle métier :
- 1er code sans position → DP
- 2e code sans position → DR (ignoré si == DP : Qwen duplique parfois)
- codes avec position → DAS
Filtre CIM-10 par regex en Python pour retirer les codes CCAM (actes)
qui pourraient rester si le crop déborde.
Ajout d'une env var `QWEN_MAX_PIXELS` (défaut 800) pour ajuster la
consommation VRAM sur machines avec GPU partagé (test sur RTX 5070
avec rpa_vision_v3 en parallèle).
Ajout de `torch.cuda.empty_cache()` après chaque inférence pour
réduire la fragmentation VRAM sur exécutions longues.
Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
80 lines
3.2 KiB
Python
80 lines
3.2 KiB
Python
"""Wrapper singleton pour Qwen2.5-VL-3B.
|
|
|
|
Qwen2.5-VL-3B surpasse GLM-OCR sur les fiches OGC : extrait `dp_libelle`,
|
|
`praticien_conseil` (manuscrit !), `codage_reco.dp` et les 4 GHM/GHS là où
|
|
GLM-OCR échouait systématiquement. Un poil plus rapide aussi (3s vs 4s/page).
|
|
|
|
Coût : ~7 Go VRAM en bfloat16 (GLM-OCR = 2.2 Go) → tient sur RTX 5070 12 Go.
|
|
"""
|
|
import time
|
|
from pathlib import Path
|
|
import torch
|
|
from transformers import AutoProcessor, Qwen2_5_VLForConditionalGeneration
|
|
from qwen_vl_utils import process_vision_info
|
|
|
|
MODEL_PATH = "Qwen/Qwen2.5-VL-3B-Instruct"
|
|
|
|
|
|
class QwenVLOCR:
|
|
"""Charge Qwen2.5-VL-3B une fois, réutilise le modèle pour toutes les pages."""
|
|
_instance = None
|
|
|
|
def __new__(cls):
|
|
if cls._instance is None:
|
|
cls._instance = super().__new__(cls)
|
|
cls._instance._init_model()
|
|
return cls._instance
|
|
|
|
def _init_model(self):
|
|
t0 = time.time()
|
|
# max_pixels limite le nombre de patches visuels pour éviter l'OOM
|
|
# sur images 300 dpi (2481x3509). ~800 patches = équilibre qualité/VRAM,
|
|
# tient confortablement dans ~5-6 Go même avec d'autres processus GPU
|
|
# en arrière-plan. Configurable via env var QWEN_MAX_PIXELS (en patches).
|
|
import os as _os
|
|
max_pixels = int(_os.environ.get("QWEN_MAX_PIXELS", 800)) * 28 * 28
|
|
self.processor = AutoProcessor.from_pretrained(
|
|
MODEL_PATH,
|
|
min_pixels=256 * 28 * 28,
|
|
max_pixels=max_pixels,
|
|
)
|
|
self.model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
|
|
MODEL_PATH,
|
|
torch_dtype=torch.bfloat16,
|
|
device_map="auto",
|
|
)
|
|
self.model.eval()
|
|
self.load_time = time.time() - t0
|
|
self.vram_gb = torch.cuda.memory_allocated() / 1e9 if torch.cuda.is_available() else 0.0
|
|
|
|
def run(self, image_path: str | Path, prompt: str, max_new_tokens: int = 2048) -> dict:
|
|
"""Exécute Qwen-VL sur une image avec un prompt, retourne {text, elapsed_s}."""
|
|
image_path = str(image_path)
|
|
messages = [{
|
|
"role": "user",
|
|
"content": [
|
|
{"type": "image", "image": image_path},
|
|
{"type": "text", "text": prompt},
|
|
],
|
|
}]
|
|
t0 = time.time()
|
|
text = self.processor.apply_chat_template(
|
|
messages, tokenize=False, add_generation_prompt=True,
|
|
)
|
|
image_inputs, video_inputs = process_vision_info(messages)
|
|
inputs = self.processor(
|
|
text=[text], images=image_inputs, videos=video_inputs,
|
|
padding=True, return_tensors="pt",
|
|
).to(self.model.device)
|
|
|
|
with torch.no_grad():
|
|
generated_ids = self.model.generate(**inputs, max_new_tokens=max_new_tokens)
|
|
out_ids = generated_ids[:, inputs.input_ids.shape[1]:]
|
|
output = self.processor.batch_decode(out_ids, skip_special_tokens=True)[0]
|
|
# Libérer la VRAM allouée par l'inférence (utile quand d'autres
|
|
# processus tournent en parallèle sur le même GPU)
|
|
del inputs, generated_ids, out_ids
|
|
if torch.cuda.is_available():
|
|
torch.cuda.empty_cache()
|
|
return {"text": output.strip(), "elapsed_s": time.time() - t0}
|