La reconnaissance optique de caractères (OCR) transforme les images de texte (scans, photos de smartphone, PDF) en chaînes de caractères lisibles par machine et, de plus en plus, en données structurées. L'OCR moderne est un pipeline qui nettoie une image, trouve du texte, le lit et exporte des métadonnées riches afin que les systèmes en aval puissent rechercher, indexer ou extraire des champs. Deux normes de sortie largement utilisées sont hOCR, un microformat HTML pour le texte et la mise en page, et ALTO XML, un schéma orienté bibliothèque/archives ; tous deux préservent les positions, l'ordre de lecture et d'autres indices de mise en page et sont pris en charge par des moteurs populaires comme Tesseract.
Prétraitement. La qualité de l'OCR commence par le nettoyage de l'image : conversion en niveaux de gris, débruitage, seuillage (binarisation) et redressement. Les tutoriels canoniques d'OpenCV couvrent le seuillage global, adaptatif et d'Otsu — des incontournables pour les documents avec un éclairage non uniforme ou des histogrammes bimodaux. Lorsque l'éclairage varie au sein d'une page (pensez aux photos de téléphone), les méthodes adaptatives surpassent souvent un seuil global unique ; Otsu choisit automatiquement un seuil en analysant l'histogramme. La correction de l'inclinaison est tout aussi importante : le redressement basé sur Hough (Transformée de Hough) associé à la binarisation d'Otsu est une recette courante et efficace dans les pipelines de prétraitement de production.
Détection vs. reconnaissance. L'OCR est généralement divisé en détection de texte (où se trouve le texte ?) et reconnaissance de texte (que dit-il ?). Dans les scènes naturelles et de nombreux scans, les détecteurs entièrement convolutifs comme EAST prédisent efficacement des quadrilatères au niveau du mot ou de la ligne sans étapes de proposition lourdes et sont implémentés dans des boîtes à outils courantes (par exemple, le tutoriel de détection de texte d'OpenCV). Sur les pages complexes (journaux, formulaires, livres), la segmentation des lignes/régions et l'inférence de l'ordre de lecture sont importantes :Kraken implémente la segmentation traditionnelle de zones/lignes et la segmentation neuronale de ligne de base, avec un support explicite pour différents scripts et directions (LTR/RTL/vertical).
Modèles de reconnaissance. Le classique cheval de bataille open-source Tesseract (open-sourcé par Google, avec des racines chez HP) a évolué d'un classifieur de caractères en un reconnaisseur de séquence basé sur LSTM et peut émettre des PDF consultables, des sorties compatibles hOCR/ALTO, et plus encore depuis la CLI. Les reconnaisseurs modernes s'appuient sur la modélisation de séquence sans caractères pré-segmentés. La classification temporelle connexionniste (CTC) reste fondamentale, apprenant les alignements entre les séquences de caractéristiques d'entrée et les chaînes d'étiquettes de sortie ; elle est largement utilisée dans les pipelines d'écriture manuscrite et de texte de scène.
Ces dernières années, les Transformers ont remodelé l'OCR. TrOCR utilise un encodeur Vision Transformer plus un décodeur Text Transformer, entraîné sur de grands corpus synthétiques puis affiné sur des données réelles, avec de solides performances sur les benchmarks de texte imprimé, manuscrit et de scène (voir aussi la documentation de Hugging Face). En parallèle, certains systèmes contournent l'OCR pour la compréhension en aval : Donut (Document Understanding Transformer) est un encodeur-décodeur sans OCR qui produit directement des réponses structurées (comme du JSON clé-valeur) à partir d'images de documents (repo, carte de modèle), évitant l'accumulation d'erreurs lorsqu'une étape OCR distincte alimente un système d'IE.
Si vous voulez une lecture de texte clés en main sur de nombreux scripts, EasyOCR offre une API simple avec plus de 80 modèles linguistiques, renvoyant des boîtes, du texte et des confiances — pratique pour les prototypes et les scripts non latins. Pour les documents historiques, Kraken brille par sa segmentation de ligne de base et son ordre de lecture sensible au script ; pour un entraînement flexible au niveau de la ligne, Calamari s'appuie sur la lignée d'Ocropy (Ocropy) avec des reconnaisseurs (multi-)LSTM+CTC et une CLI pour affiner des modèles personnalisés.
La généralisation dépend des données. Pour l'écriture manuscrite, la base de données d'écriture manuscrite IAM fournit des phrases en anglais de divers scripteurs pour l'entraînement et l'évaluation ; c'est un ensemble de référence de longue date pour la reconnaissance de lignes et de mots. Pour le texte de scène, COCO-Text a superposé des annotations étendues sur MS-COCO, avec des étiquettes pour l'imprimé/manuscrit, lisible/illisible, le script et les transcriptions complètes (voir aussi la page originale du projet). Le domaine s'appuie également fortement sur le pré-entraînement synthétique : SynthText in the Wild rend le texte dans des photographies avec une géométrie et un éclairage réalistes, fournissant d'énormes volumes de données pour pré-entraîner les détecteurs et les reconnaisseurs (référence code et données).
Les compétitions sous l'égide de la lecture robuste d'ICDAR maintiennent l'évaluation sur le terrain. Les tâches récentes mettent l'accent sur la détection/lecture de bout en bout et incluent la liaison de mots en phrases, avec le code officiel rapportant précision/rappel/F-score, l'intersection sur l'union (IoU) et les métriques de distance d'édition au niveau du caractère — reflétant ce que les praticiens devraient suivre.
L'OCR se termine rarement par du texte brut. Les archives et les bibliothèques numériques préfèrent ALTO XML car il encode la mise en page physique (blocs/lignes/mots avec coordonnées) ainsi que le contenu, et il se marie bien avec l'empaquetage METS. Le microformat hOCR , en revanche, intègre la même idée dans HTML/CSS en utilisant des classes comme ocr_line et ocrx_word, ce qui facilite l'affichage, la modification et la transformation avec des outils web. Tesseract expose les deux — par exemple, en générant du hOCR ou des PDF consultables directement depuis la CLI (guide de sortie PDF) ; les wrappers Python comme pytesseract ajoutent de la commodité. Il existe des convertisseurs pour traduire entre hOCR et ALTO lorsque les dépôts ont des normes d'ingestion fixes — voir cette liste organisée d' outils de format de fichier OCR.
La tendance la plus forte est la convergence : la détection, la reconnaissance, la modélisation du langage et même le décodage spécifique à la tâche fusionnent dans des piles de Transformers unifiées. Le pré-entraînement sur de grands corpus synthétiques reste un multiplicateur de force. Les modèles sans OCR seront en concurrence agressive partout où la cible est des sorties structurées plutôt que des transcriptions littérales. Attendez-vous également à des déploiements hybrides : un détecteur léger plus un reconnaisseur de style TrOCR pour le texte long, et un modèle de style Donut pour les formulaires et les reçus.
Tesseract (GitHub) · Documentation de Tesseract · Spécification hOCR · Contexte ALTO · Détecteur EAST · Détection de texte OpenCV · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · Écriture manuscrite IAM · Outils de format de fichier OCR · EasyOCR
La reconnaissance optique de caractères (OCR) est une technologie utilisée pour convertir différents types de documents, tels que des documents papier numérisés, des fichiers PDF ou des images capturées par un appareil photo numérique, en données modifiables et recherchables.
L'OCR fonctionne en numérisant une image ou un document d'entrée, en segmentant l'image en caractères individuels, et en comparant chaque caractère avec une base de données de formes de caractères en utilisant la reconnaissance de formes ou la reconnaissance de caractéristiques.
L'OCR est utilisé dans une variété de secteurs et d'applications, y compris la numérisation de documents imprimés, l'activation des services de texte en parole, l'automatisation des processus de saisie de données, et l'aide aux utilisateurs malvoyants pour mieux interagir avec le texte.
Bien que des progrès importants aient été faits dans la technologie OCR, elle n'est pas infaillible. La précision peut varier en fonction de la qualité du document original et des spécificités du logiciel OCR utilisé.
Bien que l'OCR soit principalement conçu pour le texte imprimé, certains systèmes OCR avancés sont également capables de reconnaître une écriture manuelle claire et cohérente. Cependant, la reconnaissance de l'écriture manuelle est généralement moins précise en raison de la grande variation des styles d'écriture individuels.
Oui, de nombreux systèmes logiciels OCR peuvent reconnaître plusieurs langues. Cependant, il est important de s'assurer que la langue spécifique est prise en charge par le logiciel que vous utilisez.
OCR signifie Optical Character Recognition et est utilisé pour reconnaître le texte imprimé, tandis que ICR, ou Intelligent Character Recognition, est plus avancé et est utilisé pour reconnaître le texte écrit à la main.
L'OCR fonctionne mieux avec des polices claires et faciles à lire et des tailles de texte standard. Bien qu'il puisse fonctionner avec différentes polices et tailles, la précision a tendance à diminuer lorsqu'on traite des polices inhabituelles ou des tailles de texte très petites.
L'OCR peut avoir du mal avec les documents de faible résolution, les polices complexes, les textes mal imprimés, l'écriture manuelle, et les documents avec des arrière-plans qui interfèrent avec le texte. De plus, bien qu'il puisse fonctionner avec de nombreuses langues, il ne couvre peut-être pas parfaitement toutes les langues.
Oui, l'OCR peut numériser du texte en couleur et des arrière-plans en couleur, bien qu'il soit généralement plus efficace avec des combinaisons de couleurs à contraste élevé, comme le texte noir sur un fond blanc. La précision peut diminuer lorsque les couleurs du texte et de l'arrière-plan manquent de contraste suffisant.
Le format d'image PDB (Protein Data Bank) n'est pas un format d'image traditionnel comme JPEG ou PNG, mais plutôt un format de données qui stocke des informations structurelles tridimensionnelles sur les protéines, les acides nucléiques et les assemblages complexes. Le format PDB est une pierre angulaire de la bio-informatique et de la biologie structurelle, car il permet aux scientifiques de visualiser, partager et analyser les structures moléculaires des macromolécules biologiques. L'archive PDB est gérée par la Worldwide Protein Data Bank (wwPDB), qui garantit que les données PDB sont librement et publiquement accessibles à la communauté mondiale.
Le format PDB a été développé pour la première fois au début des années 1970 pour répondre au besoin croissant d'une méthode standardisée de représentation des structures moléculaires. Depuis lors, il a évolué pour s'adapter à un large éventail de données moléculaires. Le format est basé sur du texte et peut être lu par les humains ainsi que traité par les ordinateurs. Il se compose d'une série d'enregistrements, chacun commençant par un identifiant de ligne à six caractères qui spécifie le type d'informations contenues dans cet enregistrement. Les enregistrements fournissent une description détaillée de la structure, y compris les coordonnées atomiques, la connectivité et les données expérimentales.
Un fichier PDB typique commence par une section d'en-tête, qui inclut des métadonnées sur la structure de la protéine ou de l'acide nucléique. Cette section contient des enregistrements tels que TITLE, qui donne une brève description de la structure ; COMPND, qui répertorie les composants chimiques ; et SOURCE, qui décrit l'origine de la molécule biologique. L'en-tête comprend également l'enregistrement AUTHOR, qui répertorie les noms des personnes qui ont déterminé la structure, et l'enregistrement JOURNAL, qui fournit une citation à la littérature où la structure a été décrite pour la première fois.
Après l'en-tête, le fichier PDB contient les informations de séquence primaire de la macromolécule dans les enregistrements SEQRES. Ces enregistrements répertorient la séquence de résidus (acides aminés pour les protéines, nucléotides pour les acides nucléiques) tels qu'ils apparaissent dans la chaîne. Ces informations sont cruciales pour comprendre la relation entre la séquence d'une molécule et sa structure tridimensionnelle.
Les enregistrements ATOM sont sans doute la partie la plus importante d'un fichier PDB, car ils contiennent les coordonnées de chaque atome de la molécule. Chaque enregistrement ATOM comprend le numéro de série de l'atome, le nom de l'atome, le nom du résidu, l'identifiant de la chaîne, le numéro de séquence du résidu et les coordonnées cartésiennes x, y et z de l'atome en angströms. Les enregistrements ATOM permettent la reconstruction de la structure tridimensionnelle de la molécule, qui peut être visualisée à l'aide de logiciels spécialisés tels que PyMOL, Chimera ou VMD.
En plus des enregistrements ATOM, il existe des enregistrements HETATM pour les atomes qui font partie de résidus ou de ligands non standard, tels que les ions métalliques, les molécules d'eau ou d'autres petites molécules liées à la protéine ou à l'acide nucléique. Ces enregistrements sont formatés de manière similaire aux enregistrements ATOM mais sont distingués pour faciliter l'identification des composants non macromoléculaires au sein de la structure.
Les informations de connectivité sont fournies dans les enregistrements CONECT, qui répertorient les liaisons entre les atomes. Ces enregistrements ne sont pas obligatoires, car la plupart des logiciels de visualisation et d'analyse moléculaires peuvent déduire la connectivité en fonction des distances entre les atomes. Cependant, ils sont essentiels pour définir des liaisons inhabituelles ou pour des structures avec des complexes de coordination métalliques, où la liaison peut ne pas être évidente à partir des seules coordonnées atomiques.
Le format PDB comprend également des enregistrements pour spécifier les éléments de structure secondaire, tels que les hélices alpha et les feuillets bêta. Les enregistrements HELIX et SHEET identifient ces structures et fournissent des informations sur leur emplacement dans la séquence. Ces informations aident à comprendre les schémas de repliement de la macromolécule et sont essentielles pour les études comparatives et la modélisation.
Les données expérimentales et les méthodes utilisées pour déterminer la structure sont également documentées dans le fichier PDB. Des enregistrements tels que EXPDTA décrivent la technique expérimentale (par exemple, cristallographie aux rayons X, spectroscopie RMN), tandis que les enregistrements REMARK peuvent contenir une grande variété de commentaires et d'annotations sur la structure, y compris des détails sur la collecte de données, la résolution et les statistiques d'affinement.
L'enregistrement END signale la fin du fichier PDB. Il est important de noter que bien que le format PDB soit largement utilisé, il présente certaines limites en raison de son ancienneté et du format de largeur de colonne fixe, ce qui peut entraîner des problèmes avec les structures modernes qui ont un grand nombre d'atomes ou nécessitent une plus grande précision. Pour remédier à ces limitations, un format mis à jour appelé mmCIF (fichier d'informations cristallographiques macromoléculaires) a été développé, qui offre un cadre plus flexible et extensible pour représenter les structures macromoléculaires.
Malgré le développement du format mmCIF, le format PDB reste populaire en raison de sa simplicité et du grand nombre d'outils logiciels qui le prennent en charge. Les chercheurs convertissent souvent entre les formats PDB et mmCIF en fonction de leurs besoins et des outils qu'ils utilisent. La longévité du format PDB témoigne de son rôle fondamental dans le domaine de la biologie structurelle et de son efficacité à transmettre des informations structurelles complexes de manière relativement simple.
Pour travailler avec des fichiers PDB, les scientifiques utilisent une variété d'outils informatiques. Les logiciels de visualisation moléculaire permettent aux utilisateurs de charger des fichiers PDB et de visualiser les structures en trois dimensions, de les faire pivoter, de zoomer et de dézoomer, et d'appliquer différents styles de rendu pour mieux comprendre l'arrangement spatial des atomes. Ces outils offrent souvent des fonctionnalités supplémentaires, telles que la mesure des distances, des angles et des dièdres, la simulation de la dynamique moléculaire et l'analyse des interactions au sein de la structure ou avec des ligands potentiels.
Le format PDB joue également un rôle crucial en biologie computationnelle et en découverte de médicaments. Les informations structurelles des fichiers PDB sont utilisées dans la modélisation d'homologie, où la structure connue d'une protéine apparentée est utilisée pour prédire la structure d'une protéine d'intérêt. Dans la conception de médicaments basée sur la structure, les fichiers PDB des protéines cibles sont utilisés pour cribler et optimiser les composés médicamenteux potentiels, qui peuvent ensuite être synthétisés et testés en laboratoire.
L'impact du format PDB s'étend au-delà des projets de recherche individuels. La Protein Data Bank elle-même est un référentiel qui contient actuellement plus de 150 000 structures, et elle continue de croître à mesure que de nouvelles structures sont déterminées et déposées. Cette base de données est une ressource inestimable pour l'éducation, permettant aux étudiants d'explorer et d'en apprendre davantage sur les structures des macromolécules biologiques. Elle sert également de document historique sur les progrès de la biologie structurelle au cours des dernières décennies.
En conclusion, le format d'image PDB est un outil essentiel dans le domaine de la biologie structurelle, fournissant un moyen de stocker, partager et analyser les structures tridimensionnelles des macromolécules biologiques. Bien qu'il présente certaines limites, son adoption généralisée et le développement d'un riche écosystème d'outils pour son utilisation garantissent qu'il restera un format clé dans un avenir prévisible. Alors que le domaine de la biologie structurelle continue d'évoluer, le format PDB sera probablement complété par des formats plus avancés comme mmCIF, mais son héritage perdurera comme la base sur laquelle la biologie structurelle moderne est construite.
Ce convertisseur fonctionne entièrement dans votre navigateur. Lorsque vous sélectionnez un fichier, il est lu en mémoire et converti dans le format sélectionné. Vous pouvez ensuite télécharger le fichier converti.
Les conversions commencent instantanément, et la plupart des fichiers sont convertis en moins d'une seconde. Les fichiers plus volumineux peuvent prendre plus de temps.
Vos fichiers ne sont jamais téléversés vers nos serveurs. Ils sont convertis dans votre navigateur, puis le fichier converti est téléchargé. Nous ne voyons jamais vos fichiers.
Nous prenons en charge la conversion entre tous les formats d'image, y compris JPEG, PNG, GIF, WebP, SVG, BMP, TIFF, et plus encore.
Ce convertisseur est complètement gratuit, et le restera toujours. Parce qu'il fonctionne dans votre navigateur, nous n'avons pas besoin de payer pour des serveurs, donc nous n'avons pas besoin de vous faire payer.
Oui ! Vous pouvez convertir autant de fichiers que vous voulez simultanément. Il suffit de sélectionner plusieurs fichiers lorsque vous les ajoutez.