Usando Transkribus con manuscritos medievales (5): entrenando un modelo CITLab HTR+ (parte 2)
En la entrada anterior escribí sobre cómo comenzar un entrenamiento de un modelo CITLab HTR+ en Transkribus. Continúo aquí con el proceso.
Lo último que había hecho era seleccionar el set de entrenamiento (training set) y el set de validación (validation set). Como dije entonces, este último set permite a la máquina evaluar la precisión del aprendizaje en el modelo que está desarrollado. Algo que olvidé mencionar entonces es que es recomendable elegir un set de validación con un valor representativo, de alrededor del 10% de las páginas del set de entrenamiento, a menos que se esté entrenando un modelo con un número elevado de páginas. Si en vez de las recomendadas 20.000 palabras para un modelo de letra manuscrita, nuestra transcripción inicial tiene 60.000 palabras, el umbral del set de entrenamiento puede bajar al 5%.
Después de dar clic al botón Entrenar (Train) en la parte inferior de la ventana de entrenamiento del modelo:
Aparecerá una nueva ventana. Se trata de un resumen de la operación que estamos encargando a la máquina. Aquí se incluyen todas las estadísticas del entrenamiento: el número de páginas (52), el número de palabras del set de entrenamiento (23.297), junto a las páginas (5) y el número de palabras del set de validación (2.214). Además, aparecerá un disgregado de otra información relevante: cuántas líneas y páginas ocupa el texto. Este resumen es extremadamente útil para el usuario: si nota que su set de entrenamiento tiene un número de palabras demasiado bajo, será necesario no iniciar el entrenamiento y volver sobre la transcripción inicial para añadir algunas páginas más. Si todo está bien, es momento de dar clic a Iniciar entrenamiento (Start training).
Tras dar clic, ambas ventanas desaparecen y el proceso se ejecuta en segundo plano. Sabemos que está ejecutándose porque aparecerá una alerta debajo del botón Mostrar trabajos (Show jobs) que dice Trabajo iniciado (job stated), junto al ID único del trabajo.
Otra manera de verificar el estado de los trabajos en curso (y los pasados), es dar clic en el botón Mostrar trabajos. Entonces aparecerá la ventana Trabajos en el servidor (Jobs on server), que contiene, al inicio de la lista, la información del entrenamiento en curso.
En el ejemplo de arriba el mensaje corresponde con un entrenamiento de PyLaia –pues ya no es posible entrenar HTR+–. Mientras el entrenamiento progrese, veremos diferentes mensajes en la sección Descripción (Description): en cola de espera: lugar X (in queue: place X), preprocesando (pre-processing), ejecutándose: época X (running: epoch X), terminado (finished), o cancelado (canceled), si el usuario decide abortarlo.
En este momento no hay nada más por hacer. Sentarse y esperar. Ya que el proceso no se realiza en el ordenador, sino en los servidores de Transkribus, no es necesario tener el cliente abierto. Uno puede cerrar el aplicativo y apagar el ordenador. En el caso de Lucid D 0.1, el entrenamiento tomó 2 horas y 14 minutos.
Cuando Transkribus tenía dos máquinas de transcripción, la cola de espera era virtualmente inexistente. Tras la desactivación de CITLab HTR+, la migración masiva de usuarios al modelo restante, PyLaia, creó largas colas de espera. Aunque los entrenamientos siguen tomando algunas horas, en dos ocasiones entre noviembre y diciembre de 2022 tuve que esperar en la cola de espera por dos días (esto parece haber respondido a la avalancha de trabajos de re-entrenamiento de modelos en PyLaia. La situación ha vuelto a la normalidad en enero de 2023). Sin embargo, siempre hay que considerar la posibilidad de una demora no planificada por la sobrecarga de trabajos demandados por otros usuarios, y evitar entrenar un modelo al último minuto.
Desde el momento en el que se inicia el entrenamiento hasta que uno recibe un correo electrónico indicándole que el entrenamiento está listo, la máquina está aprendiendo –mediante procesos estadísticos– el significado de los trazos de la letra manuscrita, intentando aproximar su transcripción a la verdad base (ground truth). Cuando el entrenamiento ha terminado, recibimos la información de este proceso en un correo electrónico:
Pero este correo solo contiene parte de la información del entrenamiento. Para ver la información completa hay que volver al cliente experto de Transkribus. De eso hablaré en la próxima entrada.
Imagen de miniatura: correo de resumen del entrenamiento
OpenEdition le sugiere que cite este post de la siguiente manera:
Cossío Olavide, Mario (18 de enero de 2023). Usando Transkribus con manuscritos medievales (5): entrenando un modelo CITLab HTR+ (parte 2). Lucidarios. Recuperado 20 de marzo de 2025 de https://doi.org/10.58079/r3cc