> For the complete documentation index, see [llms.txt](https://docs.mindee.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.mindee.com/v2/fr/modeles-classification/extraction-model-chaining.md).

# Chaînage de modèle Extraction

Extrayez sélectivement des données à partir des classes détectées.

Associez un modèle Classification à un ou plusieurs [Modèles Extraction](/v2/fr/modeles-extraction/extraction-models-overview.md), pour extraire automatiquement des données structurées à partir des documents en fonction de leur classe détectée.

Remarque : les Modèles Classification renvoient toujours une seule classe, quel que soit le nombre de pages ou la présence de plusieurs documents sur la même page.

## Configuration de l'extraction

### Lors de la création du modèle

Lorsque vous créez vos Modèles Classification, vous ajouterez des classes de documents dans la fenêtre de création.

Pour chaque classe de document, vous pouvez associer l'un de vos Modèles Extraction pour l'enchaînement. Le modèle Extraction doit exister avant la création des Modèles Classification.

Utilisez le champ de recherche pour filtrer les Modèles Extraction disponibles.

### Après la création du modèle

Cela fonctionne exactement comme lors de la création du modèle.

Allez simplement à la page « Configuration utilitaire » de votre modèle Split et ajustez-la si nécessaire.

Vous pouvez ajouter de nouvelles classes, supprimer des classes et modifier les Modèles Extraction.

### Extraction sélective

Tous les documents seront classés, mais seuls ceux liés à un modèle Extraction auront des résultats d'extraction.

Cela permet d'extraire sélectivement certains fichiers tout en en ignorant d'autres.

{% hint style="info" icon="lightbulb" %}
Ajoutez un `autre` une classe en plus des classes qui vous intéressent, sauf si tous les types de documents potentiels sont connus à l'avance.
{% endhint %}

### Tout mettre ensemble

À titre d'exemple d'utilisation, supposons que vous disposiez d'un flux de travail KYC et que vos utilisateurs téléversent leurs fichiers. Vous recevez alors dans le pipeline des types de fichiers mixtes : permis de conduire, passeports, cartes d'étudiant, badges d'employé, cartes de sécurité sociale, etc.

Comme premier exemple, supposez que vous ne traitiez que les passeports. Dans votre configuration Classification, ajoutez une `passeport` classe et une `autre`  classe, puis enchaînez un [modèle d'extraction pour passeport](/v2/fr/cas-dusage/extraction-models/passport.md) sur la `passeport` classe. N'enchaînez aucun modèle sur la `autre` classe.

Autre exemple : si vous n'avez besoin que de pièces d'identité officielles (donc permis de conduire et passeport), vous avez deux choix :

* Créez une `official_government_id` classe et enchaînez-la à un [modèle d'extraction pour pièces d'identité internationales](/v2/fr/cas-dusage/extraction-models/international-id-card.md).\
  Ceci est recommandé si vous acceptez une variété de documents d'identité.
* Créez une classe `driving_license` et `passeport` enchaînez les [Permis de conduire](/v2/fr/cas-dusage/extraction-models/drivers-license.md) et [Passeport](/v2/fr/cas-dusage/extraction-models/passport.md) modèles d'extraction à celles-ci, respectivement.\
  Ceci est recommandé si vous n'acceptez que des documents d'identité spécifiques.

Comme dans l'exemple précédent, n'enchaînez aucun modèle sur la `autre` classe.

Dans les exemples ci-dessus, les documents classés comme `autre` n' **auront pas** de résultats d'extraction, tandis que ceux avec des classes spécifiques **n'** en auront.

Vous pouvez bien sûr utiliser **n'importe quel** modèle d'extraction, y compris des modèles entièrement personnalisés.

## Utilisation des jetons avec enchaînement

Le modèle initial (Split, Crop, Classification) vous est fourni sans coût supplémentaire s’il déclenche un traitement supplémentaire à l’aide d’un modèle Extraction.

Les scénarios possibles de consommation de crédits sont les suivants :

* modèle d'extraction non chaîné ⇒ consommation de jetons du modèle initial
* Modèles Extraction chaînés ⇒ consommation de jetons du modèle d'extraction, y compris toute fonctionnalité activée [Fonctionnalités optionnelles](/v2/fr/modeles-extraction/optional-features.md).

La consommation de jetons est calculée par page, comme c’est la norme pour nos modèles.

Pour les modèles Classification en particulier, il ne peut y avoir qu'une seule extraction enchaînée par fichier. Cela signifie que le nombre total de pages traitées par un modèle Extraction sera toujours égal au nombre de pages du document source.

Quelques exemples :

* Fichier image JPEG, un document est détecté et enchaîné ⇒ 1 page de crédit Extraction consommée.
* Fichier PDF de 23 pages, un document est détecté et enchaîné ⇒ 23 pages de crédit Extraction consommées.
* Fichier image PNG, aucun document détecté ⇒ 1 page de crédit Classification consommée.
* Fichier PDF de 75 pages, un document est détecté mais **auront pas** enchaîné ⇒ 75 pages de crédit Classification consommées.

## Accéder aux résultats d'extraction

Lorsqu'un modèle Extraction est lié, la classe détectée contient un objet Extraction Response.

Cet objet est identique à la réponse renvoyée par une requête Extraction autonome.

Consultez [Résultat Classification](/v2/fr/modeles-classification/sdk-integration/classification-result.md) pour plus de détails sur l'accès aux éléments de recadrage et à leurs réponses d'extraction.


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.mindee.com/v2/fr/modeles-classification/extraction-model-chaining.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.