Picarones / CLAUDE.md
maribakulj
Add CLAUDE.md documentation for Picarones
9ecaeac unverified
|
Raw
History Blame
9.3 kB
# CLAUDE.md — Picarones
Plateforme de benchmark OCR/HTR pour documents patrimoniaux.
Repo : github.com/maribakulj/Picarones
HuggingFace Space : huggingface.co/spaces/Ma-Ri-Ba-Ku/Picarones (Docker, port 7860)
---
## Setup
```bash
pip install -e ".[dev,web]" # IMPORTANT : toujours inclure [web] pour les tests
pytest tests/ -q --tb=short # lancer les tests
picarones demo --output rapport.html # rapport démo sans moteur installé
picarones serve --port 8080 # interface web locale
```
Mise à jour Codespace complète :
```bash
git pull && pip install -e ".[dev,web]" && picarones demo --output rapport_demo.html && picarones serve --port 8080
```
---
## Architecture
```
picarones/
├── cli.py # CLI Click : run, metrics, engines, info, demo, serve, import, history, robustness
├── fixtures.py # Données de test fictives (documents médiévaux)
├── core/
│ ├── corpus.py # Chargement corpus (dossier local, ALTO XML, PAGE XML)
│ ├── metrics.py # CER, WER, MER, WIL (via jiwer)
│ ├── normalization.py # Profils : nfc, caseless, minimal, medieval_french, early_modern_french,
│ │ # medieval_latin, early_modern_english, medieval_english
│ ├── statistics.py # Bootstrap CI 95%, Wilcoxon (scipy optionnel), corrélations
│ ├── runner.py # Orchestrateur benchmark (ThreadPool IO-bound, ProcessPool CPU-bound)
│ ├── results.py # Modèles de données DocumentResult, BenchmarkResults + export JSON
│ ├── confusion.py # Matrice de confusion unicode
│ ├── char_scores.py # Scores ligatures (fi, fl, œ, æ, ꝑ…) et diacritiques
│ ├── taxonomy.py # Taxonomie erreurs 9 classes (confusion visuelle, abréviation…)
│ ├── structure.py # Analyse structurelle (blocs, lignes, mots)
│ ├── image_quality.py # Métriques qualité image (contraste, bruit, résolution…)
│ ├── difficulty.py # Score difficulté intrinsèque par document
│ ├── hallucination.py # Détection hallucinations VLM (score ancrage, ratio longueur)
│ ├── line_metrics.py # Distribution erreurs par ligne (Gini, percentiles)
│ ├── history.py # Suivi longitudinal SQLite
│ └── robustness.py # Analyse robustesse (bruit, flou, rotation, résolution)
├── engines/
│ ├── base.py # BaseEngine avec execution_mode ("io" ou "cpu")
│ ├── tesseract.py # execution_mode = "cpu"
│ ├── pero_ocr.py # execution_mode = "cpu"
│ ├── mistral_ocr.py # endpoint /v1/ocr dédié (pas chat/completions)
│ ├── google_vision.py
│ └── azure_doc_intel.py
├── llm/
│ ├── base.py
│ ├── mistral_adapter.py # POST /v1/chat/completions — BUG ACTIF : sortie vide à corriger
│ ├── openai_adapter.py
│ ├── anthropic_adapter.py
│ └── ollama_adapter.py
├── pipelines/
│ ├── base.py # OCRLLMPipeline — BUG ACTIF : résultats 0/0 documents
│ └── over_normalization.py
├── prompts/ # 8 fichiers .txt FR+EN
│ ├── medieval_french.txt
│ ├── medieval_french_zero_shot.txt
│ ├── early_modern_french.txt
│ ├── early_modern_french_zero_shot.txt
│ ├── medieval_english.txt
│ ├── early_modern_english.txt
│ ├── medieval_latin.txt
│ └── zero_shot.txt
├── report/
│ ├── generator.py # Rapport HTML auto-contenu (Chart.js + diff2html)
│ └── diff_utils.py
├── web/
│ └── app.py # FastAPI, SSE, upload corpus ZIP, endpoints modèles dynamiques
└── importers/
├── iiif.py
├── htr_united.py
├── huggingface.py
├── gallica.py
└── escriptorium.py
```
---
## Bugs actifs à corriger en priorité
### 🔴 BUG CRITIQUE — Pipeline OCR+LLM sortie vide
**Symptôme** : le pipeline `tesseract → mistral:ministral-3b-latest` s'exécute (15s de traitement
visible dans les logs) mais produit une sortie vide `""` pour chaque document. Le rapport affiche
CER 100% avec "Aucune sortie" et 0/0 documents.
**Localisation probable** :
- `picarones/llm/mistral_adapter.py` : vérifier que `choices[0].message.content` est bien extrait
- `picarones/pipelines/base.py` : vérifier que `result.hypothesis` est bien mis à jour après
l'appel LLM, et que les DocumentResult sont bien collectés par le runner
- Le modèle `ministral-3b-latest` supporte bien `POST /v1/chat/completions`
**À faire** : ajouter des logs DEBUG (prompt envoyé tronqué, statut HTTP, contenu brut réponse)
pour diagnostiquer sans modifier le comportement.
### 🟡 CI — python-multipart
**Symptôme** : 114 tests ERROR car `python-multipart` absent lors de l'import de `web/app.py`.
**Fix** : dans `.github/workflows/ci.yml`, remplacer `pip install -e ".[dev]"` par
`pip install -e ".[dev,web]"`.
### 🟡 Tests fixtures post-Sprint 10
5 tests échouent : counts de moteurs (4→5) et flag `is_pipeline` pour `gpt-4o-vision`.
### 🟡 Test Windows SQLite
`TestCLIHistory::test_history_empty_db` — PermissionError sur Windows (fichier encore ouvert
lors du `os.unlink`). À corriger avec `try/except` autour du `unlink`.
### 🟡 Test HuggingFace language filter
`TestHuggingFaceImporter::test_search_language_filter` — assertion sur `ds.language`.
---
## Règles importantes — ne pas toucher
- **Ne jamais retirer `python-multipart` des dépendances** : FastAPI vérifie sa présence à
l'import du module (décoration `@app.post` avec `UploadFile`), pas à l'exécution. Ça casse
tous les tests web au setup.
- **Ne jamais mettre `except Exception: pass`** : remplacer par
`logger.warning("[module] fonctionnalité dégradée : %s", e)`.
- **Toujours utiliser `logger.warning` avec message explicite** quand une fonctionnalité optionnelle
échoue (confusion, taxonomy, structure, image_quality, etc.).
- **Les profils de normalisation** sont dans `picarones/core/normalization.py` — l'endpoint
`/api/normalization/profiles` doit les lire dynamiquement depuis ce fichier, pas depuis une
liste statique.
---
## Variables d'environnement
```bash
# Clés API LLM (configurées dans HuggingFace Space Settings → Variables and secrets)
MISTRAL_API_KEY=...
OPENAI_API_KEY=sk-...
ANTHROPIC_API_KEY=sk-ant-...
# OCR cloud (optionnel)
GOOGLE_APPLICATION_CREDENTIALS=/path/to/creds.json
AZURE_DOC_INTEL_ENDPOINT=https://...
AZURE_DOC_INTEL_KEY=...
```
---
## Pipelines OCR+LLM — modes
| Mode | Description |
|------|-------------|
| **zero_shot** | Le LLM reçoit l'image directement et transcrit sans OCR préalable (VLM) |
| **post_correction_texte** | OCR → texte brut → LLM corrige le texte (modèles texte seul) |
| **post_correction_image_texte** | OCR → LLM reçoit image + texte brut pour correction (VLM) |
`ministral-3b-latest` = modèle texte pur → utiliser mode `post_correction_texte` uniquement.
---
## CI/CD
- **CI GitHub Actions** : `.github/workflows/ci.yml` — Python 3.11/3.12, Linux/macOS/Windows
- **Sync HuggingFace** : `.github/workflows/sync_to_huggingface.yml` — push auto sur main
(nécessite secret `HF_TOKEN` dans GitHub Settings → Secrets → Actions)
- **HuggingFace Space** : Docker sur port 7860
---
## Sprints réalisés
| Sprint | Contenu |
|--------|---------|
| 1 | Structure Python, Tesseract, Pero OCR, CER/WER, CLI |
| 2 | Rapport HTML v1 (Chart.js, diff coloré, galerie) |
| 3 | Pipelines OCR+LLM (3 modes), GPT-4o/Claude/Mistral/Ollama, prompts versionnés |
| 4 | Adaptateurs API OCR (Mistral OCR, Google Vision, Azure), import IIIF, CER diplomatique |
| 5 | Métriques avancées (unicode, ligatures, structure, qualité image, taxonomie 9 classes) |
| 6 | Interface web FastAPI, HTR-United/HuggingFace, bilingue FR/EN, upload ZIP |
| 7 | Rapport HTML v2 (Wilcoxon, bootstrap, clustering, score difficulté, URL stateful, CSV) |
| 8 | eScriptorium, Gallica API, suivi longitudinal SQLite, analyse robustesse |
| 9 | Documentation, packaging, Docker, CI/CD GitHub Actions, PyInstaller, version 1.0.0-Beta |
| 10 | Distribution erreurs par ligne (Gini, percentiles), détection hallucinations VLM |
| 11 | Internationalisation FR/EN, profils normalisation anglais (early_modern, medieval, secretary_hand) |
| 12 | Upload ZIP depuis navigateur, filtrage fichiers macOS `._*`, profils exclusion caractères, sélecteur modèles dynamique |
| 13 | Nettoyage pyproject.toml, exceptions silencieuses → warnings, parallélisation runner (ThreadPool/ProcessPool), timeout par doc, résultats partiels NDJSON, validation statistique Wilcoxon |
---
## Contexte développement
- **Environnement** : GitHub Codespaces (`/workspaces/Picarones`), Python 3.12
- **Tests** : ~1020 tests (après sprint 13)
- **Branche active** : `main` (ou `claude/setup-picarones-project-FKKns` selon le contexte)
- **Transcript de la conversation de développement** :
`/mnt/transcripts/2026-03-11-14-01-41-picarones-ocr-bench-project.txt`