File size: 3,109 Bytes
84622db | 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 | # التحقق من نماذجنا على المنتج — النتائج
## النماذج المعتمَدة الآن (افتراضياً في config)
- **التعرّف:** `exp6_best.mlmodel` (مغربي RASAM، CER 7.48%)
- **التجزئة:** `seg_best.mlmodel`
- قابلة للتبديل عبر env: `REC_MODEL_FILE` / `SEG_MODEL_FILE`.
## 1) دقّة التعرّف (ketos test مقابل GT) — حاسمة
| الحالة | دقّة الحروف | CER |
|---|---|---|
| مُدرَّب عليها (3 صفحات train) | 96.71% | **3.29%** |
| غير مُدرَّب (51 صفحة test مجمّدة) | 92.50% | **7.50%** |
7.50% على غير المُدرَّب = يطابق رقمنا المرجعي (exp6 = 7.48%). **التعرّف يقرأ المغربي بدقّة، لا garbage.**
السبب الجذري للكارثة السابقة: المنتج كان يستخدم `reg(96.5)` الخاطئ. **تم إصلاحه.**
## 2) العيّنات (افتح الصورة بجانب ملف التعرّف)
| الملف | الوصف |
|---|---|
| `غير_مدرب__BULAC_1926_0127.jpg` + `تعرف__غير_مدرب.txt` | صفحة بسيطة غير مُدرَّبة — **نتيجة نظيفة ممتازة** (تحيات على الأنبياء/الملائكة) |
| `مدرب_نظيف__BULAC_417.jpg` + `تعرف__مدرب_نظيف.txt` | خط 417 نظيف — الأسطر الكاملة صحيحة (بسملة، صلاة) لكن **تجزئة زائدة** |
| `مدرب__BULAC_1982_181985.jpg` + `تعرف__مدرب.txt` | خط 1982 كثيف — تعرّف صحيح بتجزئة GT، لكن seg جزّأه |
## 3) التجزئة — المشكلة المتبقّية (مصدر «المربعات في كل مكان»)
عدد الأسطر المُنتَجة مقابل GT (على صور خام، تشغيل kraken مباشر):
| الصفحة | GT | seg_best | version_1 |
|---|---|---|---|
| 1926 (بسيطة) | 9 | **11** ✅ | — |
| 417 (نظيفة + حواشٍ) | 13 | 43 ⚠️ | — |
| 1982 (كثيفة + حواشٍ) | 37 | **53** | 71 (أسوأ) |
**الخلاصة:** seg_best أفضل الخيارات المتاحة (أحسن من version_86 وversion_1)، لكنه يُفرط في تجزئة الصفحات ذات الحواشي.
## التوصيات (تحسينات)
1. **التعرّف: محسوم** — اعتماد exp6_best أنهى مشكلة الـ garbage.
2. **التجزئة تحتاج عملاً:** seg_best دُرّب قليلاً (iu=0.312، توقّف مبكّر). الحلول:
- إعادة تدريب seg أطول + بيانات حواشٍ صريحة.
- أو تصفية ما بعد التجزئة: دمج/حذف الأسطر القصيرة الشاذة + فصل المتن عن الحاشية بعتبة موضع.
3. **اختبار التجزئة داخل pipeline المنتج** (مع binarization) قد يختلف عن التشغيل الخام — يستحق قياساً.
4. **حدّ ثقة:** الأسطر القصيرة جداً/منخفضة الثقة تُميَّز تلقائياً (ميزة 4) للمراجعة.
|