Ezeck01/byzantine-seal-monograms

Lecture des monogrammes de sceaux byzantins

Modèles d'un pipeline semi-automatique d'annotation des monogrammes de sceaux de plomb byzantins. Un monogramme superpose plusieurs lettres grecques en un seul dessin ; le pipeline les localise (YOLOv8s), puis les identifie (ResNet18).

Démo : Ezeck01/byzantine-seal-reader · Code : seal-monogram-pipeline

Fichier	Rôle	Statut
yolov8s_monogrammes.pt	Détection des caractères sur un dessin de monogramme	disponible
resnet18_caracteres.pth + classes.json	Classification d'un caractère isolé (26 classes)	à venir

1. Détection — YOLOv8s

• Données : 351 dessins de monogrammes annotés (Label Studio, boîtes polygonales), 49 classes (lettres, variantes graphiques, ligatures, signes).
• Entraînement : YOLOv8s pré-entraîné COCO, 100 époques, images 640 px, validation croisée à 5 folds (Google Colab, GPU T4).
• Résultats : mAP@50 0,778 en moyenne sur les 5 folds. Le fichier publié est le meilleur modèle du fold 4 (mAP@50 0,856, mAP@50-95 0,752, précision 0,771, rappel 0,834 sur ce fold).

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

model = YOLO(hf_hub_download("Ezeck01/byzantine-seal-monograms", "yolov8s_monogrammes.pt"))
result = model.predict("monogramme.png", conf=0.25)[0]
for box in result.boxes:
    print(model.names[int(box.cls)], float(box.conf))

2. Classification — ResNet18

• Données : 2 143 vignettes de caractères extraites des annotations, 26 classes (Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Ϲ Τ Φ Χ Ψ ω, V, ligature ΟΥ), split stratifié 80 / 20.
• Entraînement : ResNet18 pré-entraîné ImageNet, layer4 et tête dégelés ; tête Dropout(0.5) → Linear(512, 256) → ReLU → Dropout(0.3) → Linear(256, 26) ; Adam (lr 1e-3), 40 époques ; entrée 224 px en niveaux de gris.
• Résultats (419 vignettes de test) : exactitude 0,967, F1-macro 0,937 — contre ≈ 0,94 pour un CNN simple et ≈ 0,95 pour ViT-Tiny.

Limites

• Entraîné sur des dessins de catalogue : les photographies de sceaux ne sont pas prises en charge.
• Les classes rares (Ζ, Ξ, Ψ) et les formes visuellement proches concentrent les erreurs.
• Corpus limité à quelques collections ; les étiquettes d'annotation (variantes, ligatures) reflètent les conventions du projet.

Crédits

Mémoire de M1 de Mamadou Diouhé Barry et Ezéchiel Sawadogo, Master Langue & Informatique, Sorbonne Université (2026), sous la direction de Victoria Eyharabide, dans le cadre du projet ANR BHAI — Hybrid Artificial Intelligence applied to Byzantine Sigillography (ANR-21-CE38-0001).