ed4d9bd765
Pipeline modulaire remplaçant le monolithe extract_ogc.py (conservé
en legacy pour comparaison).
Modules :
- ingest.py : PDF → PNG 300dpi avec cache par SHA256
- ocr_qwen.py : wrapper singleton Qwen2.5-VL-3B (bfloat16, ~7 Go VRAM)
- ocr_glm.py : wrapper GLM-OCR 0.9B (alternatif, conservé)
- classify.py : détection type de page + routing par index standard
(ordre des 6 pages OGC → -50% d'appels OCR)
- prompts.py : JSON schemas par type (recueil, concertation 1/2/2/2,
preuves) + mots-clés de classification
- checkboxes.py : détection Accord/Désaccord par densité de pixels
(inner-frac 0.35, 17/17 corrects sur échantillon vérifié ;
GLM-OCR et Qwen échouent sur les checkboxes, cf.
scratch/test_prompt_crop_v2.py)
- extract.py : orchestration 1 dossier (ingest → classify → OCR →
parse JSON tolérant aux boucles + validation ATIH)
- persist.py : sauvegarde JSON + metadata (pipeline_version,
ocr_model, timestamp)
- cli.py : `python -m pipeline.cli <pdf|dir>`
Temps mesuré : ~35s/dossier (6 pages) sur RTX 5070.
Qwen2.5-VL-3B retenu après comparaison avec GLM-OCR 0.9B, GOT-OCR2.0,
Surya, PaddleOCR (cf. scratch/). Il extrait correctement dp_libelle,
praticien_conseil et les 4 GHM/GHS là où les autres échouent.
Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
61 lines
2.1 KiB
Python
61 lines
2.1 KiB
Python
"""Wrapper singleton pour GLM-OCR 0.9B."""
|
|
import time
|
|
from pathlib import Path
|
|
import torch
|
|
from transformers import AutoProcessor, AutoModelForImageTextToText
|
|
|
|
MODEL_PATH = "zai-org/GLM-OCR"
|
|
|
|
|
|
class GLMOCR:
|
|
"""Charge GLM-OCR 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()
|
|
self.processor = AutoProcessor.from_pretrained(MODEL_PATH, trust_remote_code=True)
|
|
self.model = AutoModelForImageTextToText.from_pretrained(
|
|
MODEL_PATH,
|
|
torch_dtype="auto",
|
|
device_map="auto",
|
|
trust_remote_code=True,
|
|
)
|
|
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 = 4096) -> dict:
|
|
"""Exécute GLM-OCR sur une image avec un prompt, retourne {text, elapsed_s}."""
|
|
image_path = str(image_path)
|
|
messages = [{
|
|
"role": "user",
|
|
"content": [
|
|
{"type": "image", "url": image_path},
|
|
{"type": "text", "text": prompt},
|
|
],
|
|
}]
|
|
t0 = time.time()
|
|
inputs = self.processor.apply_chat_template(
|
|
messages,
|
|
tokenize=True,
|
|
add_generation_prompt=True,
|
|
return_dict=True,
|
|
return_tensors="pt",
|
|
).to(self.model.device)
|
|
inputs.pop("token_type_ids", None)
|
|
|
|
with torch.no_grad():
|
|
generated_ids = self.model.generate(**inputs, max_new_tokens=max_new_tokens)
|
|
output = self.processor.decode(
|
|
generated_ids[0][inputs["input_ids"].shape[1]:],
|
|
skip_special_tokens=False,
|
|
)
|
|
# Nettoyer le marqueur de fin utilisateur
|
|
output = output.replace("<|user|>", "").strip()
|
|
return {"text": output, "elapsed_s": time.time() - t0}
|