examples/pipelines/ocr_to_alto.yaml

# Pipeline de référence — chantier 1 post-Sprint 97.
#
# Démontre une chaîne OCR → reconstruction ALTO avec évaluation
# automatique aux deux jonctions :
#   - après l'OCR : CER/WER (TEXT vs GT TEXT)
#   - après le reconstructeur : alto_text_cer (ALTO vs GT ALTO)
#
# Pré-requis :
#   - tesseract installé (sinon remplacer par un autre moteur)
#   - corpus avec au moins .gt.txt par document ; .gt.alto.xml
#     optionnel mais nécessaire pour voir la jonction (ALTO, ALTO).
#
# Lancement :
#   picarones pipeline run examples/pipelines/ocr_to_alto.yaml \
#       --corpus ./mon_corpus \
#       --output-html rapport.html

name: ocr_to_alto_baseline
steps:
  - name: ocr
    module: picarones.engines.tesseract.TesseractEngine
    args:
      lang: fra
      psm: 6
      expose_confidences: true

  - name: alto
    module: picarones.modules.alto_text_to_mono_region.TextToAltoMonoRegion
    args:
      name: alto_baseline
    # IMAGE est consommé en plus du TEXT : le reconstructeur
    # baseline lit les dimensions de l'image source pour produire
    # un ALTO 4.2 spatialement cohérent.  IMAGE est conservé
    # automatiquement dans le bag par le pipeline_runner (entrée
    # initiale jamais écrasée, cf. Sprint 66).