Annotation

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 preprocessing consiste à appliquer une ou plusieurs transformations aux images annotées de la base de données. 

Posons x le nombre d'images de notre base de données. Le preprocessing s’applique à toutes les images de base donc avant le preprocessing on en a x et après aussi. Le preprocessing ne change pas notre nombre d’image. Cependant il modifie nos images de base donc on “perd” nos images de base vu qu’on ne garde que leurs versions modifiées.

Cette étape permet d'appliquer une transformation aux images de la base de données pour les rendre plus uniformes.

Quelques exemples de preprocessing et leur utilité :

• ajustement de la taille : très pertinent pour rendre uniforme le dataset en terme de dimensions.
• conversion en niveau de gris : si les couleurs sont ne sont pas pertinentes, convertir en nuances de gris permet de gagner de l’espace de stockage et du temps de calcul. Attention, il ne restera que des images en nuances de gris, les images couleurs ne seront plus présentes.
• suppression d'artefacts gênants : filtre numérique pour supprimer des éléments de l'image, comme du bruit par exemple.

Augmentation

On a vu au tout début l’intérêt d’avoir un large éventail de données, cependant, ce n’est pas forcément aisé de rassembler plein d’images avec l’objet dans différentes conditions, donc il est possible de traiter les images numériquement pour leur appliquer des variations afin d'obtenir plus d'images à partir d'une seule image.

C'est le rôle de l'augmentation, qui comme son nom l’indique va permettre de grossir notre base de données. L’intérêt principal est de varier les images comme le montre le schéma ci-dessous: au lieu d’avoir juste une image d’un chat dans le “bon” sens et en couleur, on va appliquer des transformations. Ici le nom au dessus de chaque image correspond à l’opération appliquée. Le modèle sera ensuite capable de reconnaître un chat même si il est en nuance de gris et à "l’envers".

En sortie de l’augmentation on a donc plus de données qu’en entrée, comme dans l’exemple ci-dessus, si on prend x notre nombre d’image et qu’on applique les 6 transformations du schéma, on aura x + 6*x images donc 7*x images.

Cette opération diffère du preprocessing et le complète : si on rajoute les nuances de gris lors de l’augmentation, on aura les images de base + les images en nuances de gris, le nombre d'image aura doublé. L’entrainement se fera donc sur les images colorées et sur les images en nuances de gris (à l’inverse du preprocessing où les images colorées disparaissent).

Comment choisir ?

Selon votre cas, vous pouvez choisir de faire du preprocessing et/ou de l’augmentation de données comme nous avons vu. Mais ces changements peuvent soit se faire soit en amont, soit pendant l’entrainement.

Si ces changements sont faits en amont : toutes les variations de l’image principales seront créées donc potentiellement beaucoup de place sera utilisée, mais le modèle n’aura plus qu’à les prendre, donc l’entrainement sera plus rapide. Les changements en amont sont faits sur Roboflow.

À l’inverse, si ces changements sont faits pendant l’entrainement : toutes les variations de l’image principales seront créées en direct et ne seront stockées que temporairement, mais cela prendra du temps de calcul au modèle qui devra fabriquer les images en cours de route. Ceci est fait par YOLOv26 (Yolov26 est le modèle d’intelligence artificielle que nous utiliserons tout à l’heure).

Sur Roboflow, vous pouvez voir exactement ce qui est fait, et choisir point par point ce que vous voulez faire. En revanche, YOLOv26 applique beaucoup de transformation par défaut donc si on veut les désactiver il faut le faire à la main pour chaque transformation, ce qui peut s’avérer être fastidieux.

Si vous êtes débutant, il est recommandé de ne faire aucune augmentation sur Roboflow car YOLO s’en occupe déjà (vous pouvez quand même faire du preprocessing selon vos besoins). Vous n’avez donc pas besoin de vous embarquer dans la compréhension de chaque transformation.

Sinon, le principal argument qui permet de choisir comment faire l’augmentation est la ressource de calcul. Si vous en avez beaucoup (vous travaillez sur un cluster par exemple), vous pouvez laisser YOLO faire plus de calculs, mais si vous êtes sur votre machine personnelle sans trop de ressources, préférez faire l’augmentation sur Roboflow, cela prendra plus de place mais rendra l’entrainement plus rapide. Dans ce dernier cas, n’oubliez pas de désactiver les nombreux paramètres d’augmentation de YOLO pour ne pas avoir des données complètement difforme à cause de transformations combinées (nous allons voir comment faire plus tard).

Ressources