TinhinaneO/camembert-ner-medieval-french-2026

CamemBERT NER Medieval French 2026

Fine-tuning de almanach/camembert-base avec LoRA pour la reconnaissance d'entités nommées (NER) sur des manuscrits médiévaux en vieux et moyen français.

Projet HETIC Master Data/IA — Module NLP 2026.

Dépôt GitHub : https://github.com/ourariTinhinane/htr-medieval-manuscripts-2026

Pipeline HTR associé : https://huggingface.co/TinhinaneO/trocr-medieval-french-2026

Schéma d'annotation BIO

Entité	Description	Exemple
B-PER / I-PER	Personne	mabile, tiece, fouchier
B-TITLE / I-TITLE	Titre nobiliaire	dame, sire
B-LOC / I-LOC	Lieu	(absent de ce corpus narratif)
B-DATE / I-DATE	Date	(absent de ce corpus narratif)
B-ORG / I-ORG	Organisation	(absent de ce corpus narratif)
O	Hors entité	tous les autres tokens

Utilisation

from transformers import AutoTokenizer, AutoModelForTokenClassification
from transformers import pipeline

tokenizer = AutoTokenizer.from_pretrained(
    "TinhinaneO/camembert-ner-medieval-french-2026"
)
model = AutoModelForTokenClassification.from_pretrained(
    "TinhinaneO/camembert-ner-medieval-french-2026"
)

ner_pipeline = pipeline("ner", model=model, tokenizer=tokenizer)

texte = "que dame mabile dist que tiece sire vient a moi"
entites = ner_pipeline(texte)
for e in entites:
    print(f"{e['word']:15s} → {e['entity']:10s} (conf={e['score']:.2f})")

Hyperparamètres

• Base model : almanach/camembert-base
• Méthode : LoRA (Low-Rank Adaptation)
• Données : 200 phrases CoNLL-2003 (gazetier faible supervision)
• Seed : 42

Lien avec le pipeline complet

Ce modèle est le volet NLP d'un pipeline HTR + NLP complet :

Image manuscrit BnF (Gallica)
        ↓
TrOCR fine-tuné (CER 5.62%)
        ↓
Normalisation abréviations (q̃→que, ꝯ→com...)
        ↓
CamemBERT NER (ce modèle)
        ↓
Graphe de connaissances + TEI-XML