DataCatalogue (2021-2024) est un projet de recherche conjointement mené par l'équipe ALMAnaCH (Inria), la Bibliothèque nationale de France (BnF), et l'Institut National d'Histoire de l'Art (INHA).
Ce guide présente le schéma d'annotation utilisé pour annoter plusieurs collections de catalogues de vente provenant de la BnF et l'INHA. Ce corpus annoté sera ensuite utilisé pour affiner un modèle YOLOv8 qui servira à analyser automatiquement la mise en page des catalogues de vente.
Cette tâche automatique résultera dans la segmentation de la macro-structure des catalogues de vente, permettant ensuite une analyse fine de leur contenu.
Le corpus d'entraînement a été assemblé à partir de 8 collections de catalogues de vente provenant de la BnF et l'INHA :
- Bienaimé-Feuardent (BnF)
- Bourgey (BnF)
- Dubois (BnF)
- Naville (BnF)
- Rollin (BnF)
- XVIIIe siècle (BnF)
- Desvouges (INHA)
- Lair-Dubreuil (INHA)
Deux pages aléatoires ont été sélectionnées dans chaque catalogue, téléchargés depuis Gallica et la bibliothèque numérique de l'INHA, et ont été ajoutées à la plateforme d'annotation Roboflow.
Selon les résultats de l'affinage du modèle YOLOv8, nous nous attendons à une sur-représentation des catalogues provenant de certaines collections de la BnF pour lesquels la masse documentaire est plus importante, ce qui pourrait impacter la segmentation d'autres collections de catalogue. Le dataset devra donc peut-être être équilibré dans le futur.
Le schéma d'annotation utilisé dans le cadre du projet DataCatalogue se base en majorité sur l'ontologie SegmOnto, et sur la campagne d'annotation du projet COLaF (Inria) pour le dataset LADaS. Certaines classes ont été adaptées aux cas d'usages définis par les catalogues de vente et à la modélisation TEI employée pour représenter ces documents, et d'autres ont été ajoutées.
La classe DigitizationArtefactZone contient toutes les mentions résultant du processus de numérisation.
Fichier exemple : bourgey_12148-bpt6k9778375p_f1.jpg
Ici, en rose, la mention de Gallica (BnF).
Une GraphicZone contient une illustration, généralement associée à une notice. Si l'image est accompagnée d'une légende, celle-ci est incluse dans la GraphicZone et étiquetée avec la classe GraphicZone:Head.
Fichier exemple : bourgey_12148-bpt6k97781327_f77.jpg
Ici, en bleu clair, plusieurs GraphicZone. Il est important de souligner qu'une illustration peut contenir une ou plusieurs images. Dans l'exemple ci-dessus, des pièces de monnaies sont illustrées par leur recto et leur verso. Les images du recto et du verso font donc référence à un seul et même objet, et sont unies par une légende, ici un numéro. On annote donc les deux images comme une seule GraphicZone.
La classe GraphicZone:Decoration signale la présence d'un élément graphique à but décoratif, en opposition à une illustration signalée par GraphicZone qui correspond à l'image associée à une notice. Les GraphicZone:Decoration apparaissent la plupart du temps dans le corps du texte et non sur les planches d'illustrations.
Fichier exemple : desvouges_CV03675_19170430_f59.jpg
Ici, en orange, une décoration précédant un titre.
La classe GraphicZone:Head permet d'étiqueter la légende d'une illustration lorsque celle-ci correspond à une numérotation uniquement. Elle figure, autant que possible, à l'intérieur de la GraphicZone correspondante.
Fichier exemple : bourgey_12148-bpt6k97782634_f29.jpg
La classe GraphicZone:Legend correspond à la légende associée à une illustration. Tout comme la classe GraphicZone:Head, la classe GraphicZone:Legend se place au sein de la GraphicZone. Cependant, des exceptions telles qu'une légende placée trop loin de son illustration existent, et il n'est donc pas toujours possible d'imbriquer GraphicZone:Legend dans GraphicZone. Lorsque la légende consiste uniquement en une numérotation, on utilisera la classe GraphicZone:Head.
Fichier exemple : Lair-Dubreuil_CV05028_19200202_f11.jpg
Ici, la légende encadrée en marron contient, en plus du numéro de la notice correpondante, du texte : "Portrait de Mlle Zucchi, de l'Opéra".
La classe MainZone:Entry correspond à une notice de catalogue. Lorsque la notice continue sur la page suivante, la seconde partie est signalée avec la classe MainZone:Entry#Continued.
Fichier exemple : bourgey_12148-bpt6k9777791v_f27.jpg
En violet, les différentes notices correspondant à l'entrée signalée par le titre "Meubles anciens".
Fichier exemple : rollin_12148-bpt6k9777787z_f9.jpg
Ici, en rose clair, la suite d'une notice qui commence sur la page précédente.
La classe MainZone:Form met en évidence un formulaire, une zone à remplir.
Fichier exemple : desvouges_CV07685_19221216_f3.jpg
Ici, en rose saumon en bas de la page, un bulletin de souscription à remplir.
La classe MainZone:Head signale un niveau de titre. Elle correspond à la classe HeadingLine telle qu'elle est définie par SegmOnto :
HeadingLine: is a line containing any type of heading, which is defined as a string with a distinctive typesetting (font, size, colour, capitalisation...) different than that seen in the body of the text. It is not limited to the header. Rather the
HeadingLineindicates the beginning of a new unit, no matter the unit's size, such as a medieval rubric, a speaker's name in a play, or the title of a poem in a collection. It is also used in theTitlePageZone.
Fichier exemple : Lair-Dubreuil_CV10613_19260204_f8.jpg
Ici, en orange, deux MainZone:Head représentant chacune un niveau de titre. L'information contenue dans le premier niveau de titre, donc hiérarchiquement placé au-dessus du second, impacte celui-ci. Les informations contenues dans le premier et le second niveau de titre impactent les notices de catalogue venant hiérarchiquement après ceux-ci.
La classe MainZone:Other est utilisée lorsqu'aucune autre classe ne correspond.
Fichier exemple : desvouges_CV07850_19230212_f17.jpg
Ici, une mention d'impression qui ne figure pas sur une page de titre.
La classe MainZone:P correspond à un paragraphe de texte. Lorsque le paragraphe continue sur la page suivante, la fin du paragraphe sera annotée avec la classe MainZone:P#Continued.
Fichier exemple : bienaime-feuardent_12148-bpt6k9778158g_f14.jpg
Ici, en bleu, figurent les paragraphes correspondant aux conditions de la vente.
La classe MainZone:P@CatalogueDesc correspond à une zone de texte habituellement située juste après un niveau de titre et précédant les notices. Elle donne des informations sur un ensemble de notices, régies elles-mêmes par un niveau de titre. On y trouve informations de chronologie, de bibliographie, des commentaires sur la vente, etc.
Fichier exemple : rollin_12148-bpt6k9780581w_f122.jpg
Ici, les MainZone:P@CatalogueDesc figurent en rouge, tandis que les niveaux de titres sont en orange. Dans cet exemple, elles donnent des informations temporelles.
La classe MarginTextZone:ManuscriptAddendum signale les annotations manuscrites inscrites au moment de la vente ou a posteriori. Elles peuvent apparaître sur tous types de pages. Cette classe a été reprise de la campagne d'annotation du projet COLaF (Inria) pour le jeu de données LADaS.
Fichier exemple : bienaime-feuardent_12148-bpt6k9780628v_f57.jpg
Ici, les annotations manuscrites apparaissent en rose vif. Il arrive que les segments soient plus longs et contiennent plus d'information, sur l'objet-même par exemple, ou indiquent le nom de l'acheteur, mais cela reste rare.
La classe MarginTextZone:Notes permet d'annoter les notes de bas de page. Lorsque la note continue sur la page suivante, elle sera signalée par l'étiquette MarginTextZone:Notes#Continued. Ces classes ont été reprises de la campagne d'annotation du projet COLaF (Inria) pour le jeu de données LADaS.
Fichier exemple : dubois_12148-bpt6k9629016g_f75.jpg
Ici, en bleu cyan, les notes de bas de page. Pour l'instant, les appels de notes font partie de la classe dans laquelle ils se trouvent, ici, des MainZone:Entry.
La classe NumberingZone permet d'étiqueter les numéros de pages. Elle est définie par SegmOnto :
*NumberingZone: is a zone containing the page, the folio, or the document number, with no regard for the mark's origin (scribe, curator, etc). The zone usually is at the top of the page.
Fichier exemple : desvouges_CV05380_19200510_f5.jpg
Ici en violet, en haut de la page et centré, une NumberingZone. Une NumberingZone peut être accompagnée d'une RunningTitleZone.
La classe PageTitleZone désigne l'ensemble d'une page de titre. Cette classe contient les segments qui la composent tels qu'un titre, un sous-titre, l'indication du lieu et de la date de la vente par exemple. La segmentation interne des PageTitleZone fera l'objet d'une annotation plus fine dans le future.
La classe équivalente TitlePageZone définit par SegmOnto :
TitlePageZone: characterises the entire page, rather than a section within a page, that contains for instance headings (chapter title, act or scnee number, etc.). It is distinct from other pages and is traditionally the first page of a document, especially in the case of prints. It provides bibliographic or identifying information, such as the title of the work, the production date, the names of the printer(s), publisher(s) and author(s), etc. [...]
Fichier exemple : bourgey_12148-bpt6k97777550_f5.jpg
Ici, en bleu marine, une PageTitleZone qui encadre les segments de texte constituant une page de titre.
La classe PageTitleZone:Index contient chaque ligne d'une table des matières ou d'un sommaire.
Fichier exemple : bienaime-feuardent_12148-bpt6k97782456_f15.jpg
Ici, les PageTitleZone:Index sont signalées en bleu foncé.
Une QuireMarkZone contient un repère relatif à la structure de l'ouvrage, à l'exception des numéros de page et de folio. Elle correspond à la classe QuireMarksZone définie par SegmOnto :
QuireMarksZone: is a zone containing a quire signature (e.g. a ii), catchword, or any kind of element relative to the material organisation of the source, with the exclusion of page, folio, or item numbers. The zone usually is at the bottom of the page.
Fichier exemple : naville_12148-bpt6k9779820r_f55.jpg
Ici, en bleu, la QuireMarkZone contient le repère "6*".
La classe RunningTitleZone contient un titre courant. Il apparaît souvent en haut de la page. La classe RunningTitleZone est définie par SegmOnto comme :
RunningTitleZone: is a zone containing a running title, traditionally at the top of the page or of the double page. It can be the title (or the abbreviated title) of a document or of the current section.
Fichier exemple : bienaime-feuardent_12148-bpt6k9777643f_f60.jpg
Ici, en rouge, en haut de la page et centré, un exemple d'un segment de texte correspondant à un titre courant étiqueté RunningTitleZone.
La classe StampZone signale un tampon, notamment celui du service de conservation (bibliothèque ou archives par exemple), et StampZone:Sticker l'utilisation d'un sticker dans le même but. Elle est définie par SegmOnto comme :
StampZone: is a zone containing a stamp, be it a library stamp or a mark from a postal service.
Fichier exemple : bienaime-feuardent_12148-bpt6k9779231g_f58.jpg
Ici, en vert, le tampon de la Bibliothèque nationale.
Fichier exemple : desvouges_CV09509_19241208_f1.jpg
En bordeaux, le sticker de la Bibliothèque d'art et d'archéologie Jacques Doucet.
La classe TableZone indique la présence d'un tableau. La classe TableZone est définie par SegmOnto :
TableZone: is a zone containing a table of any kind. The table can be clearly drawn (with rows and columns) or not. The tables of contents are in the vast majority of cases not tables.
Fichier exemple : naville_12148-bpt6k9780404r_f82.jpg
Ici, les notices sont présentées à l'intérieur d'un tableau, signalé en bleu.
- Sarah Bénière (Inria)
- Hugo Scheithauer (Inria)