JPEG / JPG GT Classification Images Intelligence artificielle (IA) Documents

Gallica : jeu d'images annotées pour la classification

Présentation

Ce jeu de données est dédié à l'analyse de contenus iconographiques patrimoniaux. Il constitue une vérité terrain d’illustrations extraites de Gallica classées manuellement et destinées à l’entraînement de modèles de classification.

Contenu du jeu de données

Le jeu est constitué de 14000 illustrations classées en dix catégories recouvrant les notions de technique (photographie, dessin, etc.) et de fonction (BD, carte, etc.), auxquelles sont adjointes deux classes servant à filtrer des contenus non illustrés.

Ces illustrations ont été extraites de Gallica d’après la thématique « Première guerre mondiale » et couvrent la période temporelle 1910-1920.

Nom	Définition	Remarques	Quantité
BD	Bande dessinée de presse, images d’Epinal		308
Carte	Carte géographique, plan urbain, plan en relief, etc.		609
Dessin	Dessin au trait, dessin de presse, fusain, etc.	Avec sous-catégories (couleur, avec texte, etc.)	2758
Graphique	Graphique, schéma, dessin technique, mots-croisés, etc.		466
Gravure	Gravure, estampe, lithographie, sérigraphie	Avec sous-catégories	2323
Manuscrit	Reproduction d’un texte manuscrit (autographe, lettre, etc.)		132
Ornement	Illustration ornementale (filet, cul de lampe, vignette), principalement dans les périodiques		119
Pages	Pages liminaires, de couverture, vierges, etc.	Cette classe a vocation à filtrer les contenus non illustrés	361
Partition	Musique notée (imprimée ou manuscrite) : partitions, chansons, extraits reproduits dans la presse, etc.	Avec sous-catégories	849
Photographie	Tirage d’œuvre photographique ou reproduction par procédé photomécanique	Avec sous-catégories (argentique, reproduction photo-mécanique, avec texte, etc.)	5500
Publicité	Illustration publicitaire parue dans les périodiques		257
Texte	Texte imprimé (page ou bloc de texte imprimé ou tapuscrit, publicité, etc.)	Avec sous-catégories. Cette classe a vocation à filtrer les contenus non illustrés	704

Les fichiers des illustrations sont répartis dans des dossiers et sous-dossiers correspondant aux catégories décrites ci-avant et aux types documentaires auxquelles elles appartiennent (presse quotidienne, revues et magazines, monographies, images fixes, cartes et plans, etc. conformément à l’organisation des collections numérisées de Gallica).

Contexte de production

Ce jeu a été produit lors de la réalisation du démonstrateur GallicaPix avec des objectifs d'indexation automatique de contenus image (CBIR, content-based image retrieval). Il a été utilisé pour entrainer les modèles de classification du démonstrateur (voir ce github).

Format du jeu de données

Le jeu de données est livré sous la forme d'un export des images (format JPEG) extraites de Gallica (deux archives ZIP).

API et jeux de données en relation

L'API Gallica IIIF est utilisée pour l’extraction des images de Gallica.

Aide

Téléchargement des jeux de données

Les jeux de données sont mis à disposition sur un serveur FTP. En fonction du navigateur utilisé, le téléchargement est plus ou moins aisé.
L'accès au serveur FTP se fait sans difficulté avec Internet explorer et Edge. Il est plus aléatoire avec Firefox. Chrome interdit quant à lui l'accès aux serveurs FTP dans ses versions récentes.
L'utilisation de clients FTP comme le logiciel FileZilla est une autre solution pour récupérer ces fichiers.