Spaces:
Running
Running
File size: 9,859 Bytes
4b1dc89 6362212 4b1dc89 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 | """Distribution des erreurs CER par ligne — Sprint 10.
Métriques calculées
-------------------
- CER par ligne : distance d'édition caractère/longueur GT sur chaque paire de lignes
- Percentiles : p50, p75, p90, p95, p99 sur la distribution des CER ligne
- Taux catastrophiques : % de lignes dépassant des seuils configurables (30 %, 50 %, 100 %)
- Coefficient de Gini : concentration des erreurs (0 = uniformes, 1 = toutes concentrées)
- Carte thermique : CER moyen par tranche de position dans le document
"""
from __future__ import annotations
import unicodedata
from dataclasses import dataclass
from typing import Optional
# ---------------------------------------------------------------------------
# CER d'une paire de lignes (distance d'édition Levenshtein normalisée)
# ---------------------------------------------------------------------------
def _edit_distance(a: str, b: str) -> int:
"""Distance de Levenshtein entre deux chaînes."""
if not a:
return len(b)
if not b:
return len(a)
prev = list(range(len(b) + 1))
for i, ca in enumerate(a, 1):
curr = [i]
for j, cb in enumerate(b, 1):
cost = 0 if ca == cb else 1
curr.append(min(curr[j - 1] + 1, prev[j] + 1, prev[j - 1] + cost))
prev = curr
return prev[-1]
def _line_cer(ref_line: str, hyp_line: str) -> float:
"""CER pour une paire de lignes. Retourne 1.0 si le GT est vide et que l'hyp ne l'est pas."""
ref = unicodedata.normalize("NFC", ref_line.strip())
hyp = unicodedata.normalize("NFC", hyp_line.strip())
if not ref:
return 0.0 if not hyp else 1.0
dist = _edit_distance(ref, hyp)
return dist / len(ref)
# ---------------------------------------------------------------------------
# Percentiles (implémentation pur-Python, sans numpy)
# ---------------------------------------------------------------------------
def _percentile(sorted_values: list[float], p: float) -> float:
"""Retourne le p-ième percentile (0 ≤ p ≤ 100) d'une liste triée."""
if not sorted_values:
return 0.0
n = len(sorted_values)
index = p / 100 * (n - 1)
lo = int(index)
hi = min(lo + 1, n - 1)
frac = index - lo
return sorted_values[lo] + frac * (sorted_values[hi] - sorted_values[lo])
# ---------------------------------------------------------------------------
# Coefficient de Gini
# ---------------------------------------------------------------------------
def _gini(values: list[float]) -> float:
"""Coefficient de Gini des erreurs (0 = uniformes, 1 = toutes concentrées).
Formule : G = (2 * Σ i*x_i) / (n * Σ x_i) - (n+1)/n
sur les valeurs triées par ordre croissant.
"""
if not values:
return 0.0
xs = sorted(max(v, 0.0) for v in values)
n = len(xs)
total = sum(xs)
if total == 0.0:
return 0.0
weighted_sum = sum((i + 1) * x for i, x in enumerate(xs))
return (2.0 * weighted_sum) / (n * total) - (n + 1) / n
# ---------------------------------------------------------------------------
# Résultat structuré
# ---------------------------------------------------------------------------
@dataclass
class LineMetrics:
"""Distribution des erreurs CER par ligne pour une paire (GT, hypothèse)."""
cer_per_line: list[float]
"""CER de chaque ligne (longueur = nombre de lignes GT)."""
percentiles: dict[str, float]
"""Percentiles : p50, p75, p90, p95, p99."""
catastrophic_rate: dict[str, float]
"""Taux de lignes catastrophiques pour chaque seuil (ex. {0.3: 0.12, 0.5: 0.07, 1.0: 0.02})."""
gini: float
"""Coefficient de Gini des erreurs (0 → uniforme, 1 → concentrées)."""
heatmap: list[float]
"""CER moyen par tranche de position dans le document (longueur = heatmap_bins)."""
line_count: int
"""Nombre de lignes GT traitées."""
mean_cer: float
"""CER moyen sur l'ensemble des lignes."""
def as_dict(self) -> dict:
return {
"cer_per_line": [round(v, 6) for v in self.cer_per_line],
"percentiles": {k: round(v, 6) for k, v in self.percentiles.items()},
"catastrophic_rate": {str(k): round(v, 6) for k, v in self.catastrophic_rate.items()},
"gini": round(self.gini, 6),
"heatmap": [round(v, 6) for v in self.heatmap],
"line_count": self.line_count,
"mean_cer": round(self.mean_cer, 6),
}
@classmethod
def from_dict(cls, d: dict) -> "LineMetrics":
return cls(
cer_per_line=d.get("cer_per_line", []),
percentiles=d.get("percentiles", {}),
catastrophic_rate={float(k): v for k, v in d.get("catastrophic_rate", {}).items()},
gini=d.get("gini", 0.0),
heatmap=d.get("heatmap", []),
line_count=d.get("line_count", 0),
mean_cer=d.get("mean_cer", 0.0),
)
# ---------------------------------------------------------------------------
# Calcul principal
# ---------------------------------------------------------------------------
def compute_line_metrics(
reference: str,
hypothesis: str,
thresholds: Optional[list[float]] = None,
heatmap_bins: int = 10,
) -> LineMetrics:
"""Calcule la distribution des erreurs CER ligne par ligne.
Parameters
----------
reference:
Texte de vérité terrain (GT) avec sauts de ligne.
hypothesis:
Texte produit par le moteur OCR.
thresholds:
Seuils CER pour le taux catastrophique. Défaut : [0.30, 0.50, 1.00].
heatmap_bins:
Nombre de tranches de position pour la carte thermique.
Returns
-------
LineMetrics
"""
if thresholds is None:
thresholds = [0.30, 0.50, 1.00]
ref_lines = reference.splitlines()
hyp_lines = hypothesis.splitlines()
# Aligner les lignes GT / hypothèse — on prend au moins autant de lignes que le GT
n = len(ref_lines)
if n == 0:
# Pas de lignes : retourner des métriques neutres
return LineMetrics(
cer_per_line=[],
percentiles={f"p{p}": 0.0 for p in (50, 75, 90, 95, 99)},
catastrophic_rate={t: 0.0 for t in thresholds},
gini=0.0,
heatmap=[0.0] * heatmap_bins,
line_count=0,
mean_cer=0.0,
)
# Aligner en ignorant les lignes d'hypothèse supplémentaires
# Si l'hypothèse a moins de lignes, les lignes manquantes comptent comme supprimées (CER = 1.0)
cer_per_line: list[float] = []
for i, ref_line in enumerate(ref_lines):
hyp_line = hyp_lines[i] if i < len(hyp_lines) else ""
cer_per_line.append(min(_line_cer(ref_line, hyp_line), 1.0))
sorted_cer = sorted(cer_per_line)
# Percentiles
percentiles = {
f"p{p}": _percentile(sorted_cer, p)
for p in (50, 75, 90, 95, 99)
}
# Taux catastrophiques
catastrophic_rate: dict[float, float] = {}
for t in thresholds:
count = sum(1 for v in cer_per_line if v > t)
catastrophic_rate[t] = count / n
# Gini
gini = _gini(cer_per_line)
# Carte thermique par tranche de position
bins = heatmap_bins
heatmap: list[float] = []
for b in range(bins):
start = int(b * n / bins)
end = int((b + 1) * n / bins)
slice_ = cer_per_line[start:end]
heatmap.append(sum(slice_) / len(slice_) if slice_ else 0.0)
mean_cer = sum(cer_per_line) / n
return LineMetrics(
cer_per_line=cer_per_line,
percentiles=percentiles,
catastrophic_rate=catastrophic_rate,
gini=gini,
heatmap=heatmap,
line_count=n,
mean_cer=mean_cer,
)
# ---------------------------------------------------------------------------
# Agrégation sur un corpus
# ---------------------------------------------------------------------------
def aggregate_line_metrics(results: list[LineMetrics]) -> dict:
"""Agrège les métriques de distribution par ligne sur un corpus.
Returns
-------
dict
Statistiques agrégées : Gini moyen, percentiles moyens, taux catastrophiques moyens.
"""
if not results:
return {}
import statistics as _stats
gini_values = [r.gini for r in results]
mean_cer_values = [r.mean_cer for r in results]
# Percentiles moyens
pct_keys = ["p50", "p75", "p90", "p95", "p99"]
avg_percentiles = {}
for k in pct_keys:
vals = [r.percentiles.get(k, 0.0) for r in results]
avg_percentiles[k] = round(sum(vals) / len(vals), 6) if vals else 0.0
# Taux catastrophiques moyens (union des seuils)
all_thresholds: set[float] = set()
for r in results:
all_thresholds.update(r.catastrophic_rate.keys())
avg_catastrophic: dict[str, float] = {}
for t in sorted(all_thresholds):
vals = [r.catastrophic_rate.get(t, 0.0) for r in results]
avg_catastrophic[str(t)] = round(sum(vals) / len(vals), 6) if vals else 0.0
# Heatmap moyenne (longueur = max des longueurs)
if results and results[0].heatmap:
n_bins = len(results[0].heatmap)
heatmap_avg = []
for b in range(n_bins):
vals = [r.heatmap[b] for r in results if b < len(r.heatmap)]
heatmap_avg.append(round(sum(vals) / len(vals), 6) if vals else 0.0)
else:
heatmap_avg = []
return {
"gini_mean": round(sum(gini_values) / len(gini_values), 6),
"gini_stdev": round(_stats.stdev(gini_values), 6) if len(gini_values) > 1 else 0.0,
"mean_cer_mean": round(sum(mean_cer_values) / len(mean_cer_values), 6),
"percentiles": avg_percentiles,
"catastrophic_rate": avg_catastrophic,
"heatmap": heatmap_avg,
"document_count": len(results),
}
|