> 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-crop/extraction-model-chaining.md). # Chaînage de modèle Extraction Extrayez sélectivement des données à partir des zones de découpe détectées. Liez un modèle Crop à un ou plusieurs [Modèles Extraction](/v2/fr/modeles-extraction/extraction-models-overview.md)afin d'extraire automatiquement des données structurées à partir de documents en fonction de leur classe détectée. Comme les modèles Crop peuvent détecter plusieurs classes de documents sur la même page, plusieurs extractions différentes peuvent être effectuées sur un seul fichier image. Les modèles Crop fonctionnent sur des fichiers multipages, avec potentiellement plusieurs éléments de recadrage sur chaque page. Remarque : chaque élément de recadrage est limité à une zone sur une seule page. Si vous avez besoin d'un seul résultat d'extraction couvrant plusieurs pages, consultez [Modèles Split](/v2/fr/modeles-split/split.md) à la place. ## Configuration de l'extraction ### Lors de la création du modèle Lorsque vous créez votre modèle Crop, 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](/v2/fr/modeles-extraction/extraction-models-overview.md) pour l'enchaînement. Le Modèle Extraction doit exister avant la création du Modèle Crop. Utilisez le champ de recherche pour filtrer les modèles d'extraction disponibles. ### Après la création du modèle Cela fonctionne exactement comme lors de la création du modèle. Il vous suffit d'aller sur la page « Configuration utilitaire » de votre modèle Crop et d'ajuster selon vos besoins. Vous pouvez ajouter de nouvelles classes, supprimer des classes et modifier les Modèles Extraction. ### Extraction sélective Si une classe détectée n'a aucun Modèle Extraction lié, aucune extraction n'est exécutée pour cet élément de recadrage. Cela permet d'extraire sélectivement certaines parties tout en en ignorant d'autres. Supposons que vos utilisateurs téléchargent des images de leurs documents de voyage sur la table de leur hôtel, généralement, mais sans s'y limiter : billets d'avion, reçus de voyage, permis de conduire et passeport. Vous n'avez besoin que des passeports. Dans votre configuration Crop, ajoutez une `passeport` classe et une `autre` classe, et ne liez un modèle d'extraction qu'à la `passeport` classe. Tous les éléments de recadrage seront classés, mais seuls ceux liés à un Modèle Extraction auront des résultats d'extraction. {% 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 %} ## Utilisation des jetons avec l'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 Crop en particulier, il peut y avoir plusieurs extractions chaînées sur le même fichier. Comme chaque page peut contenir plusieurs documents, le nombre total de pages traitées peut être supérieur au nombre total de pages du document source. Par exemple, sur un fichier image JPEG où 4 reçus sont détectés et chacun est chaîné à un modèle d'extraction, le traitement du fichier consommera l'équivalent de 4 pages de crédits. Les éléments de recadrage détectés qui ne sont pas chaînés à un modèle d'extraction ne consomment pas de crédits d'extraction. Quelques exemples : * Fichier image JPEG, un seul document est détecté et chaîné ⇒ 1 page de crédit d'Extraction consommée. * Fichier image JPEG, aucun document détecté ⇒ 1 page de crédit Crop consommée. * Fichier image PNG, 3 documents sont détectés et chaînés ⇒ 3 pages de crédit d'Extraction consommées. * Fichier image HEIC, 3 documents sont détectés et chaînés, un seul document est détecté mais **pas** chaîné ⇒ 3 pages de crédit d'Extraction consommées. * Fichier PDF de 75 pages, aucun document détecté ⇒ 75 pages de crédit Crop consommées. * Fichier PDF de 23 pages, 37 documents sont détectés et chaînés ⇒ 37 pages de crédit d'Extraction consommées. ## Accès aux résultats d'Extraction Lorsqu'un Modèle Extraction est lié, chaque élément de recadrage détecté de cette classe contient un objet Extraction Response. Cet objet est identique à la réponse renvoyée par une requête d'Extraction autonome. Comme Crop fonctionne au niveau de l'objet, plusieurs éléments de recadrage sur la même page peuvent chacun contenir leur propre résultat d'extraction. Consultez [Résultat Crop](/v2/fr/modeles-crop/sdk-integration/crop-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-crop/extraction-model-chaining.md?ask=&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.