tests/fixtures/reference_corpus/README.md

Corpus de référence — anti-régression CER (Sprint A5)

Item M-14 de l'audit institutional-readiness-2026-05.

Ce dossier sert de gardien anti-régression de performance OCR. Le workflow .github/workflows/perf_regression.yml le réutilise toutes les semaines (cron) pour vérifier que Tesseract + Pero OCR ne dérivent pas sur des entrées canoniques.

Philosophie

• Synthétique : les documents sont générés via Pillow à partir de texte rendu en typographies courantes. Pas de manuscrit authentique embarqué (raisons : licence, taille du repo, indépendance vis-à-vis d'un fonds particulier).
• Représentatif : 3 strates couvertes (imprimé moderne propre, imprimé ancien stylisé, cursive simulée).
• Reproductible : graine fixe (seed=4242 dans _generate.py), donc deux générations successives produisent des PNG bit-à-bit identiques.
• Tolérance large : le seuil par défaut est CER < 15 % sur Tesseract. Pas de finetuning à atteindre — on cherche juste à détecter une régression franche (CER × 2 du jour au lendemain signale qu'un PR a cassé un adapter ou la normalisation).

Génération

python -m pytest tests/fixtures/reference_corpus/_generate.py
# (ou directement)
python tests/fixtures/reference_corpus/_generate.py

Le script (re)crée :

• doc_<NN>.png — image du document
• doc_<NN>.gt.txt — vérité terrain associée

Limites assumées

• Tesseract : modèle eng+fra standard, OCR sur imprimé moderne fonctionne ; sur cursive simulée, le CER attendu est ~30 % et c'est le but (vérifie que le pipeline ne crashe pas).
• Pas de paléographie réelle : pour des benchmarks scientifiques de qualité paléographique, utiliser un corpus HTR-United ou IIIF via picarones import.