Comment YOLO et OpenCV ont appris à lire les lettres de voiture — et pourquoi cela ne suffit pas

Quand l'OCR déclare une lettre de voiture « lue », cela ne signifie qu'une chose : le système a extrait des caractères. Déterminer où se trouvent l'expéditeur, la marchandise et le montant total est une tout autre tâche, que l'OCR ne résout pas par défaut. Les bibliothèques modernes de vision par ordinateur comme YOLO, OpenCV et les modèles de Hugging Face savent reconnaître des objets, des blocs de texte et des structures en quelques lignes de code seulement.

C'est pratique pour le prototypage, mais de sérieuses limites se cachent derrière cette simplicité. Les modèles prêts à l'emploi sont entraînés sur des jeux de données généraux : ils ignorent à quoi ressemble votre formulaire précis, quel champ est obligatoire et lequel n'est qu'une mention facultative.

L'article étudie un cas réel : comment construire un système qui extrait automatiquement les données des lettres de voiture. Les documents arrivent sous différents formats : scans en basse résolution, photos prises au téléphone, PDF issus de divers systèmes comptables. Dans ce scénario, l'OCR n'est que la première étape. Ensuite commence le vrai travail d'ingénierie.

La première limite à laquelle toute équipe se heurte est la qualité des données d'entrée. YOLO détecte très bien les objets sur des images propres, mais ces documents sont rarement parfaits : papier froissé, angles de prise de vue obliques, mauvais éclairage, tampons et cachets qui se chevauchent. OpenCV aide au prétraitement (redressement de la perspective, filtrage du bruit, normalisation du contraste), mais chacune de ces étapes demande un réglage manuel selon le type de document. Il n'existe pas de valeurs de paramètres universelles.

La deuxième limite est la sémantique. Un détecteur peut tracer un rectangle autour du nombre « 15 000 », mais il ignore s'il s'agit du prix unitaire, du montant total ou du numéro du document. Il faut pour cela une logique supplémentaire : comprendre la structure des tableaux, l'ordre des lignes et la position relative des champs. Les auteurs décrivent une approche qui s'appuie sur des modèles NLP de Hugging Face pour classer les blocs de texte détectés : le modèle apprend à distinguer les types de champs grâce au contexte des éléments voisins.

Le troisième problème est la performance en conditions réelles. Quand la tâche passe d'un traitement ponctuel à un flux, avec des dizaines de documents par minute ou un scénario de vidéoanalyse où les images doivent être traitées en temps réel, les exigences d'architecture changent radicalement. Les auteurs décrivent l'optimisation du pipeline d'inférence : regroupement des requêtes (batching), quantification des modèles, choix entre CPU et GPU selon le volume de travail et la latence acceptable, et traitement asynchrone pour tirer le maximum du matériel disponible.

Une section distincte porte sur le post-traitement des résultats, c'est-à-dire ce qui se passe une fois que le détecteur a renvoyé les coordonnées et les blocs de texte. Il faut ici des règles de validation (un INN correct, un format de date valide, la cohérence des montants totaux), une logique de résolution des conflits (quand deux champs revendiquent la même valeur) et des mécanismes de gestion des erreurs. Sans cette couche, le système lira, mais ne comprendra pas.

La conclusion pratique est simple : les outils existent et fonctionnent, mais ils ne résolvent pas automatiquement la tâche de « comprendre un document ». YOLO est un détecteur, pas un interprète. OpenCV traite des pixels, pas du sens. Hugging Face propose un large choix de modèles préentraînés, mais le fine-tuning pour un domaine précis reste indispensable. Un véritable système d'analyse de documents est un pipeline de plusieurs modèles, de règles de post-traitement et de validation, où chaque couche ajoute de la sémantique à ce que la précédente n'a fait que voir.

La limite des solutions prêtes à l'emploi se situe là où s'arrête la reconnaissance et où commence la compréhension. Plus le domaine est spécifique (logistique, médecine, documents juridiques), plus cette limite s'éloigne du simple « prendre un modèle » et se rapproche d'un développement sur mesure, from scratch.