Nous explorons l'application du Vision Transformer (ViT) pour la reconnaissance de texte manuscrit. La disponibilité limitée de données étiquetées dans ce domaine pose des défis pour atteindre une haute performance en s'appuyant uniquement sur le ViT. Les modèles basés sur les transformers précédents nécessitaient des données externes ou un pré-entraînement intensif sur de grands ensembles de données pour exceller. Pour remédier à cette limitation, nous introduisons une méthode de ViT efficace en termes de données qui utilise uniquement l'encodeur du transformer standard. Nous constatons que l'intégration d'un Réseau Neuronal Convolutif (CNN) pour l'extraction des caractéristiques, au lieu de l'embedding par patch original, et l'utilisation de l'optimiseur Sharpness-Aware Minimization (SAM) permettent au modèle de converger vers des minima plus plats et d'apporter des améliorations notables. De plus, notre introduction de la technique du masque d'étendue, qui masque les caractéristiques interconnectées dans la carte des caractéristiques, agit comme un régulariseur efficace. Expérimentalement, notre approche se compare favorablement aux modèles traditionnels basés sur les CNN sur des petits ensembles de données tels que IAM et READ2016. En outre, elle établit un nouveau point de référence sur le jeu de données LAM, actuellement le plus grand ensemble avec 19 830 lignes de texte d'entraînement. Le code est disponible publiquement à : https://github.com/YutingLi0606/HTR-VT.