ANNOTATIONS

Il existe plusieurs outils d’annotations gratuits comme CVAT, Label Studio ou Roboflow et ici nous utiliserons et détaillerons l’utilisation de ce dernier.

Rendez-vous sur le site internet de Roboflow.

Le site de Roboflow est assez intuitif, donc il est facile d'y naviguer, cependant, nous passerons sur les étapes importante. Commencez par vous créer un compte ("Sign in"), puis suivez les étapes ci-dessous

Nous allons maintenant devoir passer par quelques explications avant de continuer.

Il y a deux types de modification des données : le preprocessing et l’augmentation. On va passer sur l’utilité et les subtilités de chacune des deux étapes.

PREPROCESSING

Le prétraitement (preprocessing) consiste à appliquer des transformations uniformes à l'intégralité du jeu de données annoté. Soit x le nombre initial d'images ; cette opération préserve la cardinalité de l'ensemble (x images avant et après), mais substitue les fichiers originaux par leurs versions transformées, entraînant la perte irréversible des données brutes. L'objectif principal est l'homogénéisation du jeu de données.

Les transformations courantes incluent :

• Le redimensionnement : assure l'uniformité des dimensions pour l'ensemble du dataset.
• La conversion en niveaux de gris : élimine l'information chromatique lorsque celle-ci est non pertinente, optimisant ainsi l'espace de stockage et la puissance de calcul requise. Cette opération est exclusive : les images couleurs originales sont définitivement remplacées.
• La suppression d'artefacts : applique des filtres numériques pour éliminer le bruit ou d'autres perturbations visuelles indésirables.

AUGMENTATION

Bien que la diversité des données soit cruciale, la collecte d'images dans des conditions variées s'avère souvent complexe. L'augmentation de données pallie cette contrainte en générant artificiellement de nouvelles images à partir d'échantillons existants par l'application de transformations numériques.

Cette technique permet d'enrichir et de diversifier le jeu de données d'entraînement. En soumettant au modèle des variantes d'une même image (par exemple, en niveaux de gris ou inversée), on améliore sa robustesse et sa capacité de généralisation, lui permettant de reconnaître les objets indépendamment de leur orientation ou de leurs propriétés chromatiques.

L'augmentation de données se distingue du prétraitement par son effet multiplicateur sur le volume du jeu de données. Si x représente le nombre d'images initiales et que six transformations sont appliquées, l'ensemble final comprendra 7x images (x originales plus 6x générées). 

Contrairement au prétraitement qui substitue les données brutes, l'augmentation les complète en conservant les originaux. Par exemple, l'ajout d'une conversion en niveaux de gris durant cette phase double le jeu de données : le modèle est ainsi entraîné simultanément sur les versions colorées et sur les versions en nuances de gris, maximisant ainsi la diversité des exemples sans perte d'information initiale.

COMMENT CHOISIR LE SUPPORT D'ANNOTATIONS ?

Le prétraitement et l'augmentation peuvent s'effectuer soit en amont (Roboflow), soit dynamiquement (YOLOv8). La première méthode, gourmande en stockage, accélère l'entraînement par la génération préalable des données. La seconde, économe en espace, alourdit la charge computationnelle en créant les variations à la volée.

Le choix stratégique dépend des ressources matérielles : privilégiez la génération dynamique (YOLOv8) sur les infrastructures puissantes, et l'approche en amont (Roboflow) sur les machines limitées, en désactivant alors les augmentations par défaut de YOLOv8 pour éviter les distorsions.

Reprenons maintenant la procédure sur Roboflow :

QUIZZ

Ressources