Cahier de laboratoire : Correction OCR
But: Correction OCR
Dans le cadre du projet Ganelon, on interroge un LLM pour corriger les fautes d’OCR d’un texte proposé.
Liste des Modèles utilisés:
Les modèles se téléchargent sur la plate-forme https://huggingface.co/
Llama-2-7B-Chat-GGUF/llama-2-7b-chat.Q5_0.gguf
Mistral-7B-Instruct-v0.2-GGUF/mistral-7b-instruct-v0.2.Q5_K_S.gguf
OpenHermes-2.5-Mistral-7B-GGUF/openhermes-2.5-mistral-7b.Q5_K_M.gguf
TinyLlama-1.1B-Chat-v1.0-GGUF/tinyllama-1.1b-chat-v1.0.Q6_K.gguf
Vigostral-7B-Chat-GGUF/vigostral-7b-chat.Q5_K_M.gguf
Procédure: exécution sur un serveur Debian 12 Bookworm avec une carte graphique NVIDIA GeForce RTX 2060 SUPER, 7974MiB.
Compilation
CUDACXX=/usr/bin/nvcc CMAKE_ARGS=”-DLLAMA_CUBLAS=on -DCMAKE_CUDA_ARCHITECTURES=native” FORCE_CMAKE=1 pip install llama_cpp_python –force-reinstall –upgrade
Liste des packages installés
Package Version
—————— ————
black 23.12.1
certifi 2022.12.7
charset-normalizer 2.1.1
click 8.1.7
diskcache 5.6.3
filelock 3.9.0
fsspec 2023.4.0
fuzzywuzzy 0.18.0
idna 3.4
Jinja2 3.1.3
llama_cpp_python 0.2.32
MarkupSafe 2.1.4
mpmath 1.3.0
mypy-extensions 1.0.0
networkx 3.0
numpy 1.26.3
packaging 23.2
pathspec 0.12.1
Pillow 9.3.0
pip 23.3.2
platformdirs 4.1.0
requests 2.28.1
setuptools 66.1.1
sympy 1.12
torch 2.1.2+cu118
torchaudio 2.1.2+cu118
torchvision 0.16.2+cu118
triton 2.1.0
typing_extensions 4.9.0
urllib3 1.26.13
Résultat:
Dans le fichier Data/Csv/dataOCR.Csv
Bilan
Le modèle Vigostral constitue une piste intéressante et efficace.
Remerciements
Nous remercions l’Institut Jacques Monod pour la fourniture des ressources informatiques et de traitement des données nécessaires à ce travail.
OpenEdition vous propose de citer ce billet de la manière suivante :
_ (8 février 2024). Cahier de laboratoire : Correction OCR. Les carnets du LaMOP. Consulté le 10 novembre 2024 à l’adresse https://doi.org/10.58079/vs83