arabic-medical-handwriting

مشروع OCR للخط اليدوي الطبي العربي — نظيف (clean-room)، يُبنى حول 5 ملفات منتقاة من omni-medical-suite بدل تدقيق الـmonorepo كله (3,832 ملفًا).

الحالة: سقالة + عقد منفَّذ. ocr/contract.py (عقد OCRResult/WordBox) منفَّذ ومُختبَر (5 اختبارات). المحركات والمعالجة (rtl/normalize/engine/ extract/export) سقالة import-safe — الخطة نقلها من omni أو تفويضها إلى ocr-core المركزي.

المصدر: محادثة DeepSeek 1m3ih8eveq98lv7aqc (رسائل 250-259).

القرار المعماري (من المحادثة)

بدل تدقيق omni-medical-suite بالكامل — نأخذ منه 5 ملفات فقط ونبني مشروعًا نظيفًا حولها:

من omni	إلى هنا	لماذا
src/ocr/rtl_utils.py	ocr/rtl.py	معالجة RTL — نادرة، لا تُكتب من الصفر
src/ocr/normalization.py	ocr/normalize.py	التطبيع العربي
src/ocr/field_extractor.py	extract/fields.py	استخراج حقول طبية
نمط packages/omni_ocr/adapter.py (OCRResult)	ocr/contract.py ✅ منفَّذ	عقد موحّد
نمط handwriting/.../ocr_engine.py	ocr/engine.py	محرك متعدد — مع إصلاح Mistral (لا ثقة مخترعة)

لا monorepo، لا packages/*، لا 3,832 ملفًا.

البنية

ocr/
├── contract.py     ✅ OCRResult + WordBox (منفَّذ + مُختبَر)
├── engine.py       🔧 HandwritingEngine — multi-engine سقالة (tesseract احتياطي)
├── rtl.py          🔧 reshape/detect_direction (نقل من omni)
├── normalize.py    🔧 normalize_for_search (non-destructive)
└── config.py       🔧 EngineConfig (قائمة محركات + حد ثقة)
extract/
├── fields.py       🔧 extract_doses (حارس أرقام)
└── correction.py   🔧 يفوّض إلى ocr-core corrections_ar
export/
└── hf_dataset.py   🔧 dataset card + export_snippets (سقالة)
unsloth_finetune.py 🔧 تدريب على Colab (Unsloth) — 12 خلية مُجمّعة
tests/              ✅ test_contract.py (5) + test_stubs.py

✅ منفَّذ · 🔧 سقالة import-safe

سياسة الثقة (محفوظة من ocr-core)

confidence == 0.0 = غير معروفة — لا تُختلق درجة أبدًا. المحركات تبلّغ الأخطاء عبر OCRResult.error ولا ترفع استثناءات. هذا هو "إصلاح Mistral" المشار إليه في الخطة.

التثبيت والتشغيل

pip install -e ".[dev]"          # سقالة + اختبارات (خفيف، بلا GPU)
pytest -q                        # 5+ اختبارات

pip install -e ".[ocr,arabic]"   # لمحرك tesseract + reshaping فعلي
pip install -e ".[trocr]"        # لـ TrOCR (يحتاج torch)

# التدريب على Colab (GPU):
#   افتح Colab → T4 GPU → الصق خلايا unsloth_finetune.py

التدريب (unsloth_finetune.py)

سكربت Colab كامل (12 خلية) لضبط نموذج عربي (Qwen2.5/TrOCR) عبر Unsloth على T4 GPU مجاني. خلايا: تثبيت Unsloth ← تحميل بيانات ← LoRA ← تدريب ← حفظ ← رفع HF.

العلاقة بالمستودعات الأخرى

• ocr-core: المحرك المركزي — extract/correction.py يفوّض إليه، ويمكن استخدام ocr_core.engines مباشرة بدل ocr/engine.py.
• omni-handwriting-samples-private: مصدر عينات الخط اليدوي (S-series).
• omni-medical-suite: مصدر الـ5 ملفات (rtl/normalize/field_extractor).

الترخيص

MIT (الكود). النماذج: TrOCR (MIT)، AraBERT (Apache-2.0)، Qwen (Apache-2.0). بيانات التدريب (إن أُخذت من omni-handwriting-samples-private) خاصة.