Reconnaissance optique de caractères
La reconnaissance optique de caractères (OCR) est un logiciel qui lit le texte dans des images, comme des pages numérisées, des photos ou des captures d'écran, et le transforme en caractères lisibles par une machine, que l'on peut rechercher, copier ou fournir à un modèle.
Aussi appelé : OCR
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
Un contrat numérisé est une image, pas du texte. Tant que l'OCR n'a pas tourné, un index de recherche ou un modèle de langage n'y voit rien. L'OCR est donc la première étape du parsing de documents pour tout document numérisé ou photographié.
Comment ça marche
Les moteurs classiques repèrent les lignes de texte sur la page, puis reconnaissent les caractères de chaque ligne. Tesseract en est l'exemple open source de longue date : la version 4 a ajouté un moteur à réseau de neurones (LSTM) centré sur des lignes entières, et il prend en charge plus de 100 langues. Les modèles d'OCR modernes vont plus loin et lisent l'image d'une page entière avec un transformer ou un modèle vision-langage, en produisant du Markdown avec des titres et des tableaux plutôt que de simples lignes.
Exemple
Une équipe qui indexe d'anciennes factures papier lance l'OCR pour obtenir le texte, utilise l'analyse de mise en page pour garder les lignes de facture dans l'ordre, et seulement ensuite découpe le résultat pour la recherche. Les tests de modèles d'OCR comme Mistral OCR 4 et Surya OCR 2.5 couvrent les compromis entre vitesse et précision.
Limites
La précision baisse sur les numérisations basse résolution, l'écriture manuscrite, les polices inhabituelles et les écritures mélangées. Les moteurs classiques renvoient du texte sans structure, si bien que les tableaux ressortent en lignes désordonnées. L'OCR à base de modèles gère mieux la structure mais peut produire un texte fluide qui ne figure pas sur la page : vérifiez donc par sondage en comparant avec l'image. L'OCR n'est pas nécessaire pour les PDF qui contiennent déjà une couche de texte.
Termes liés
- Analyse de documents
- L'analyse de documents (document parsing) convertit des fichiers comme des PDF, des numérisations, des diapositives et des tableurs en texte structuré exploitable par un logiciel, en conservant les titres, l'ordre de lecture, les tableaux et les images au lieu d'un flux plat de caractères.
- Modèle vision-langage
- Un modèle vision-langage (vision-language model, VLM) est un modèle qui reçoit des images et du texte en entrée et produit du texte, si bien qu'il peut décrire des images, répondre à des questions à leur sujet, lire des documents et extraire des données de captures d'écran.
- Analyse de la mise en page
- L'analyse de la mise en page (layout analysis) est la partie de l'analyse de documents qui repère les zones d'une page, comme les titres, paragraphes, tableaux, figures, légendes et pieds de page, attribue une étiquette à chacune et détermine l'ordre dans lequel une personne les lirait.
- Extraction de tableaux
- L'extraction de tableaux (table extraction) consiste à repérer les tableaux dans des documents et à reconstruire leurs lignes, colonnes, en-têtes et cellules sous forme de données structurées, comme du HTML, du Markdown ou du CSV, plutôt que de lignes de texte éparses.
- Modèle multimodal
- Un modèle multimodal est un modèle d'IA capable de recevoir, et parfois de produire, plusieurs types de données, comme du texte, des images, de l'audio ou de la vidéo, au sein d'un seul modèle plutôt que par des systèmes séparés.