diff --git a/README.md b/README.md
index 735af75ebd0b76f8d9df35a570ceeabe179ab11e..50fe383dd55756851b47bc3be33105be1d2f70a4 100644
--- a/README.md
+++ b/README.md
@@ -16,6 +16,7 @@ Notre méthode prend comme entrée des romans (grands textes) au format TXT ains
 
 ![segmentation_de_texte](/uploads/2e46368fb7caf0a5df1a3a41b7e3f63b/segmentation_de_texte.png)
 
+ Schéma du processus de classification automatique de phrases
 
 
 Labellisation automatique d’un corpus :
@@ -25,4 +26,22 @@ Ce jeu de données contient deux colonnes : sentences, labels.
 Ces deux colonnes indiquent des phrases et des labels qui permettent de savoir si les phrases sont des indications géographiques ou non (label 0 : pas géographique, label 1 :  géographique)
 
 
-![labellisation_de_corpus](/uploads/4061ec057c8d846693b1ba088c68527a/labellisation_de_corpus.png)
\ No newline at end of file
+![labellisation_de_corpus](/uploads/4061ec057c8d846693b1ba088c68527a/labellisation_de_corpus.png)
+
+Schéma de la construction automatique non-supervisée d’un corpus labellisé
+
+
+
+
+**Classification de phrases : **
+
+Cette étape prend comme entrée le corpus labellisés et généré par l’étape précédent. Dans cette étape, nous créons et entraînons notre modèle à partir d’un modèle pré-entraîner Multilinguel de BERT. 
+
+
+
+
+
+
+
+
+