HTR-United

Qu'est-ce que HTR-United

HTR-United est une organisation github sans autre forme de personnalité juridique. Elle vise à mettre en commun les transcriptions HTR/OCR de textes de toutes périodes et de tout style, principalement en français mais de manière non restricive. Elle est née du simple besoin - pour des projets - d'avoir de potentiels vérités de terrain pour entraîner des modèles rapidement sur des corpus plus petits.

Qu'est-ce qui est partagé ?

What is shared?

Les sets de données partagés ou signalés grâce à HTR-United se présentent sous la forme minimale suivante : - un ensemble de fichiers XML ALTO 4 et/ou XML PAGE contenant soit uniquement des données de segmentation, soit des données de segmentation et des données de transcription ; - un ensemble d'images correspondantes (il peut s'agir d'un lien vers un paquet hébergé sur une autre plateforme ou bien de contacts auprès de qui demander l'accès aux images) - le lien entre les images et les fichiers XML doit pouvoir être reconstitué sans traitement intermédiaire, par exemple sans avoir à renommer les images ; - une documentation sur les pratiques d'annotation suivie pour la segmentation et la transcription. Dans le cas d'un répertoire Github, cette documentation se trouve généralement résumée dans le README.

Un corpus peut être sous-divisé en plusieurs ensembles si cela est jugé nécessaire.

Si vous avez besoin d'aide pour créer et organiser votre répertoire sur Github, vous pouvez vous aider de notre template !

Que des données ?

À terme, l'objectif de cette organisation sera probablement de partager aussi - sous licence libre - des modèles pour les moteurs HTR demandés, afin que les projets les moins dotés puissent profiter de modèles. Ainsi, si vous partagez vos données, et suivant le rythme possible des autres partenaires, vous profiterez sûrement d'un modèle sous peu.

Cependant, n'oubliez pas: il existe un cercle vertueux Transcription<->Entraînement qui permettra à terme - nous l'espérons - d'améliorer pour les plus jeunes projets les transcriptions partant de 0.

Comment cela fonctionne ?

Il existe deux cas de figure:

1. Vous avez déjà un dépôt de données
   
2. Vous n'en avez pas et préférez fournir directement l'organisation

Vous avez déjà un dépôt de données

C'est plutôt pratique: vous gardez la main, pas de problèmes de rajout à l'organisation. Mais, histoire de faire grossir la visibilité de votre set de données, il nous parait important de le décrire ici ! En effet, si vous profitez des données de HTR-United, voire de ses modèles, autant renvoyer la pareille.

Pour ce faire, il suffit d'ouvrir une issue ou de proposer une modification sur le répertoire de dépôt en rajoutant un fichier YAML généré à l'aide de notre formulaire, tel que:

yaml schema: https://htr-united.github.io/schema/2021-10-15/schema.json title: Mon Dataset d'Exemple url: http://lien.vers.repertoire authors: - name: John surname: Doe roles: - transcriber - name: Jeanne surname: Dupont roles: - project-manager description: Une courte description du contenu du jeu de données. project-name: Mon Super Projet project-website: http://lien.optionel.vers.projet language: - fra script: - Latn script-type: only-manuscript time: notBefore: '1830' notAfter: '1875' hands: count: '1' precision: exact license: - name: CC-BY 4.0 url: https://creativecommons.org/licenses/by/4.0/ format: Page-XML volume: - metric: pages count: 42 - metric: lines count: 420 - metric: characters count: 4200 transcription-guidelines: Une présentation des règles établies pour la transcription.

Vous n'en avez pas

Et bien, nous serons heureux de vous aidez. Ouvrez un ticket ici et nous serons heureux de vous aider à créer et partager votre dépôt, sur HTR-United. Des compétences en git sont bienvenues mais, si vous voulez partager des données, on vous aidera, c'est le but de cette organisation !

Vue d'ensemble

Il est possible de consulter le contenu du catalogue depuis notre site internet : ici.

Voici une vue d'ensemble des périodes couvertes par les jeux de données documentés dans le catalogue d'HTR-United !

Contrôle Quality

Pour vous aider à améliorer et assurer la qualté de vos jeux de données, nous avons développé une série d'outils qui peuvent être facilement ajoutés à votre répértoire. Allez voir notre page web sur nos outils pour des descriptions et des démos !

• HTRUC
• HUMGenerator
• HTVX
• ChocoMufin

Publications

• (FR) Alix Chagué, Thibault Clérice, Laurent Romary. HTR-United : Mutualisons la vérité de terrain !. DHNord2021 - Publier, partager, réutiliser les données de la recherche : les data papers et leurs enjeux, MESHS, Nov 2021, Lille, France. ⟨hal-03398740⟩

• (FR) Alix Chagué. Conditions de la mutualisation : les principes FAIR et HTR-United. Humanistica 2022, Mai 2022, Montréal, Canada. ⟨hal-03685731⟩

Logo by Alix Chagué.