Découvrez l'annotation polygonale, comment elle permet une segmentation précise des objets, et comment créer facilement des annotations avec Ultralytics .
Découvrez l'annotation polygonale, comment elle permet une segmentation précise des objets, et comment créer facilement des annotations avec Ultralytics .
Les technologies d'IA de pointe font leur apparition dans un large éventail de secteurs, de la conduite autonome à l'agriculture de précision. Par exemple, les éleveurs laitiers ont recours à l'IA et à l'analyse d'images pour detect chez les bovins. Des problèmes de santé tels que la boiterie peuvent être surveillés en observant les changements dans la démarche et la posture de l'animal, comme un dos voûté ou des mouvements asymétriques.
La vision par ordinateur, une branche de l'intelligence artificielle, rend ces applications possibles en permettant aux machines d'interpréter et d'analyser des données visuelles. Plus précisément, la segmentation d'instances est une tâche de vision par ordinateur qui identifie et segmente chaque objet d'une image au niveau du pixel, ce qui permet de detect d'analyser avec précision chaque animal individuellement.
L'annotation de polygones joue un rôle essentiel dans ce processus. Il s'agit d'une méthode d'annotation des données qui consiste à tracer avec précision la forme exacte d'un objet dans une image en plaçant des points le long de ses contours. Contrairement aux simples annotations par cadres de sélection, cette approche suit le contour réel de l'objet, ce qui permet de créer des données d'entraînement plus précises et aide les modèles d'IA visuelle à mieux comprendre les limites des objets.
De nos jours, il existe de nombreux outils permettant de créer des annotations polygonales. Cependant, ces solutions peuvent souvent sembler fragmentées, notamment lorsqu’elles offrent une prise en charge incohérente ou limitée des différents types d’annotations, ce qui complique la gestion des divers besoins en matière d’étiquetage au sein d’un même flux de travail.
Ultralytics , notre nouvel espace de travail de bout en bout dédié à l'IA visuelle qui fait le lien entre la gestion des ensembles de données, l'annotation, l'entraînement, le déploiement et la surveillance, résout ce problème en prenant en charge plusieurs types d'annotation et des flux de travail assistés par l'IA au sein d'un espace de travail unique et homogène, simplifiant ainsi l'ensemble du processus d'annotation.
Dans cet article, nous allons découvrir ce que sont les annotations polygonales et comment les créer à l'aide de Ultralytics . C'est parti !
Avant de nous plonger dans Ultralytics et ses fonctionnalités d'annotation de polygones, prenons un peu de recul pour comprendre en quoi consiste l'annotation de polygones.
L'annotation d'images consiste à ajouter des étiquettes à des données visuelles afin que les modèles d'IA puissent comprendre ce qu'ils voient. Elle consiste généralement à identifier les objets présents dans une image et à les marquer de manière à ce qu'un modèle puisse en tirer des enseignements.
L'une des méthodes les plus courantes consiste à tracer des rectangles autour des objets, appelés « cadres de délimitation ». Cependant, ces cadres ne fournissent qu'un contour approximatif de l'objet. L'annotation polygonale constitue une approche plus précise.
Cette méthode consiste à tracer le contour d'un objet (ses limites) point par point, plutôt que de l'encadrer dans un rectangle. Pour ce faire, les annotateurs placent plusieurs sommets (points) le long des bords de l'objet, en suivant son contour jusqu'à ce que toute la forme soit cernée.
Ces points reliés forment un polygone qui épouse le contour naturel de l'objet. Comme la forme suit de près les contours de l'objet, l'annotation permet de saisir des détails que les méthodes d'étiquetage traditionnelles laissent souvent de côté. Cela s'avère particulièrement utile lorsque les objets présentent des formes irrégulières ou des contours complexes, comme les feuilles, les silhouettes humaines et les objets qui se chevauchent.
Une telle précision des données permet aux modèles d'apprentissage automatique de s'entraîner plus efficacement. Lorsque les annotations reflètent fidèlement les contours réels d'un objet, les modèles peuvent mieux en appréhender les caractéristiques au niveau du pixel. Cela se traduit par une amélioration des performances des modèles, en particulier dans les tâches de segmentation qui exigent une grande précision.
Concrètement, comment utilise-t-on les annotations de polygones ? Elles sont étroitement liées aux modèles d'IA visuelle qui prennent en charge les tâches de segmentation d'images, comme la segmentation d'instances.
Dans de nombreuses applications de vision par ordinateur, il est essentiel de connaître la surface exacte occupée par chaque objet dans une image ou une image vidéo. La détection des pièces automobiles dans le secteur manufacturier en est un bon exemple. Dans ce cas, les modèles doivent identifier et délimiter avec précision des éléments tels que les portes, les vitres et les phares, même lorsqu’ils se chevauchent ou présentent des formes complexes.
C'est là qu'intervient la segmentation d'instances. Elle permet aux modèles de detect objet et de définir ses contours exacts au niveau du pixel. Cela diffère de la détection d'objets classique, qui utilise des cadres de sélection.
Les cadres de sélection ne fournissent qu'une approximation rectangulaire des zones entourant les objets et incluent souvent des éléments superflus de l'arrière-plan, ce qui rend plus difficile la sélection de formes irrégulières ou la séparation d'éléments qui se chevauchent.
L'annotation des polygones joue un rôle essentiel pour atteindre ce niveau de précision. Le traçage de la forme exacte de chaque objet dans les images du jeu de données permet de créer des données d'entraînement de haute qualité qui reflètent les contours réels des objets. Ces annotations détaillées aident les modèles, tels que Ultralytics , à mieux comprendre la structure de chaque élément, ce qui se traduit par des résultats de segmentation plus précis.
Voyons maintenant quelles sont les limites des outils d'annotation traditionnels afin de comprendre pourquoi il est nécessaire de recourir à des solutions plus efficaces et évolutives, telles que Ultralytics .
Voici quelques difficultés courantes auxquelles sont confrontés les annotateurs lorsqu'ils utilisent des outils d'annotation polygonale traditionnels :
Ultralytics répond à ces préoccupations grâce à des fonctionnalités d'annotation assistées par l'IA, qui s'appuient à la fois sur les YOLO « Segment Anything Models » (SAM) et YOLO . SAM aux utilisateurs de générer des masques de segmentation de haute qualité à partir de données simples, telles que des clics, qui peuvent ensuite être affinés pour obtenir des annotations polygonales précises.
De même, l'annotation intelligente YOLO YOLO utilise YOLO pré-entraînés ou personnalisés pour effectuer une inférence sur une image et ajouter des prédictions, telles que des cadres de sélection, des masques de segmentation ou des cadres de sélection orientés, sous forme d'annotations, qui peuvent ensuite être examinées et ajustées si nécessaire. Ensemble, ces fonctionnalités rendent le processus d'annotation plus rapide, plus cohérent et plus facile à adapter à l'échelle.
Ultralytics intègre un éditeur d'annotations qui permet aux utilisateurs d'annoter des images directement dans l'espace de travail. Cela facilite la création et la gestion des ensembles de données sans avoir à recourir à des outils d'étiquetage de données distincts, souvent chronophages.
Outre les annotations polygonales, Ultralytics prend en charge plusieurs autres types d'annotations. En voici un bref aperçu :
Voyons maintenant comment créer des annotations polygonales sur la Ultralytics , que ce soit manuellement ou à l'aide d'outils assistés par l'IA.
Voici un petit guide étape par étape pour créer manuellement des annotations de polygones :
Voyons maintenant les fonctionnalités d'étiquetage assisté par IA prises en charge par Ultralytics , qui permettent d'accélérer le processus d'annotation.
La plateforme propose deux méthodes d'annotation intelligente : l'une s'appuie sur les modèles Segment Anything pour générer des annotations de manière interactive, par simple clic, et l'autre s'appuie sur YOLO pour ajouter directement les prédictions du modèle sous forme d'annotations. Ces deux méthodes peuvent être utilisées pour l'annotation intelligente de polygones.
L'annotation SAM sur Ultralytics simplifie l'étiquetage manuel en utilisant le modèle « Segment Anything Model » (SAM) pour générer des masques de segmentation avec un minimum d'intervention. Au lieu de tracer les objets point par point, les utilisateurs peuvent interagir avec l'image à l'aide de commandes simples, comme des clics, pour indiquer ce qui doit être inclus ou exclu.
La plateforme prend en charge plusieurs SAM , notamment SAM .1 et SAM , ce qui permet aux utilisateurs de choisir entre des performances plus rapides ou une plus grande précision en fonction de leurs besoins. À partir des données fournies par l'utilisateur, SAM en temps réel des masques au niveau du pixel. Ces masques peuvent ensuite être affinés et utilisés comme annotations polygonales, ce qui rend le processus plus rapide, plus cohérent et plus facile à adapter à l'échelle.
Voici les étapes à suivre pour utiliser SAM annoter des polygones dans Ultralytics :
L'annotation intelligente YOLO sur la Ultralytics accélère le processus d'étiquetage en utilisant YOLO YOLO pré-entraînés ou affinés YOLO pour générer des prédictions sur une image et les ajouter sous forme d'annotations. Ces prédictions peuvent inclure des cadres de sélection, des masques de segmentation ou des cadres de sélection orientés, en fonction de la tâche à accomplir sur l'ensemble de données.
Les utilisateurs peuvent ensuite examiner et affiner ces annotations selon leurs besoins. Voici un aperçu des étapes à suivre pour utiliser l'annotation intelligente YOLO sur Ultralytics :
L'annotation de polygones a un impact réel dans de nombreux secteurs, du contrôle qualité dans l'industrie manufacturière à l'agriculture et aux soins de santé. Découvrons quelques applications concrètes majeures.
Dans le domaine agricole, la surveillance de la santé des cultures est essentielle pour améliorer les rendements et réduire les pertes. Il peut être difficile de repérer les zones touchées par des ravageurs sur les feuilles des cultures, car celles-ci présentent souvent des formes irrégulières et des contours flous.
Ce type de problème peut être abordé à l'aide de techniques de segmentation d'images telles que la segmentation sémantique, qui attribue une étiquette à tous les pixels appartenant à une classe (comme les zones infectées), ou la segmentation d'instances, qui délimite les contours des objets avec plus de précision.
Grâce à Ultralytics , les utilisateurs peuvent recourir à l'annotation par polygones pour tracer la forme exacte de ces zones infectées. Cela permet de créer des ensembles de données plus précis et facilite la détection, par les algorithmes d'IA visuelle, de schémas subtils dans les environnements agricoles.
Les équipes peuvent ainsi constituer un ensemble de données d'apprentissage de meilleure qualité, qui aide les modèles à localiser avec précision les zones touchées par les infestations de ravageurs. Cette méthode s'avère plus efficace que l'utilisation de cadres de sélection, qui peuvent inclure des parties de la feuille qui ne sont pas touchées.
Tout comme pour la détection des ravageurs en agriculture, même de légères différences au niveau des contours peuvent influencer la manière dont des maladies telles que le cancer sont analysées en imagerie médicale. Cela revêt une importance cruciale notamment lors de l'identification d'anomalies médicales, telles que des tumeurs, sur des tomodensitométries.
Les méthodes d'annotation traditionnelles peuvent ne pas détecter les contours fins ou inclure des tissus environnants, ce qui peut nuire à la précision. Grâce à Ultralytics , les équipes peuvent utiliser l'annotation par polygones pour tracer avec précision ces zones dans les données d'entraînement, ce qui aide les modèles à produire une segmentation tumorale plus précise et plus fiable.
L'annotation des polygones est essentielle lorsque les modèles doivent comprendre avec une grande précision les formes des objets dans les images. Elle permet de représenter plus fidèlement les formes complexes, en particulier lors de l'utilisation Ultralytics . En alliant précision et outils performants, les équipes peuvent créer des modèles d'IA plus fiables et plus performants.
Prêt à intégrer l'IA visuelle à vos projets ? Rejoignez notre communauté et découvrez l'IA dans le secteur automobile ainsi que l'IA visuelle en robotique. Explorez notre dépôt GitHub pour en savoir plus. Consultez nos options de licence pour vous lancer dès aujourd'hui !
Commencez votre parcours avec l'avenir de l'apprentissage automatique