Guide de l’annotation polygonale avec Ultralytics Platform

Les technologies d’IA de pointe se déploient dans un large éventail de secteurs, de la conduite autonome à l’agriculture de précision. Par exemple, les éleveurs laitiers utilisent l’IA et l’analyse d’images pour détecter les maladies chez les bovins. Les problèmes de santé comme la boiterie peuvent être surveillés en observant les changements dans la démarche et la posture d’un animal, tels qu’un dos arqué et des mouvements asymétriques.

Fig. 1. Exemple de surveillance des vaches à l’aide de l’IA et de l’analyse d’images.

La vision par ordinateur, une branche de l’intelligence artificielle, permet ces applications en donnant aux machines la capacité 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 des pixels, ce qui permet de détecter et d’analyser précisément les animaux individuellement.

L’annotation polygonale joue un rôle essentiel dans ce processus. Il s’agit d’une méthode d’annotation des données qui consiste à suivre soigneusement la forme exacte d’un objet dans une image en plaçant des points le long de ses contours. Contrairement aux simples annotations par boîtes englobantes, cette approche suit le véritable contour de l’objet, ce qui contribue à créer des données d’entraînement plus précises et permet aux modèles d’IA visuelle de mieux comprendre les limites des objets.

Aujourd’hui, de nombreux outils permettent de créer des annotations polygonales. Cependant, ces options peuvent souvent sembler fragmentées, notamment lorsqu’elles offrent une prise en charge incohérente ou limitée de différents types d’annotations, ce qui complique la gestion de besoins variés en matière d’étiquetage au sein d’un même workflow.

Ultralytics Platform, notre espace de travail d’IA visuelle de bout en bout qui comble le fossé entre la gestion des jeux de données, l’annotation, l’entraînement, le déploiement et la surveillance, résout ce problème en prenant en charge plusieurs types d’annotations et des workflows assistés par l’IA dans un espace de travail fluide, simplifiant ainsi l’ensemble du processus d’annotation.

Dans cet article, nous allons découvrir ce que sont les annotations polygonales et comment les créer avec Ultralytics Platform. C’est parti !

L’annotation polygonale en détail#

Avant d’examiner Ultralytics Platform et ses fonctionnalités d’annotation polygonale, prenons un peu de recul pour comprendre ce qu’est l’annotation polygonale.

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 implique généralement d’identifier les objets présents dans une image et de les marquer d’une manière exploitable par un modèle.

L’une des méthodes les plus courantes consiste à dessiner des rectangles autour des objets, appelés boîtes englobantes. Cependant, les boîtes englobantes ne fournissent qu’un contour approximatif de l’objet. L’annotation polygonale est une approche plus précise.

Elle consiste à délimiter un objet (ses contours) point par point plutôt qu’à l’enfermer dans une boîte. Pour cela, les annotateurs placent plusieurs sommets (points) le long des contours de l’objet et en suivent la forme jusqu’à ce que l’ensemble soit couvert.

Ces points reliés forment un polygone qui reproduit le contour naturel de l’objet. Comme la forme suit étroitement les limites de l’objet, l’annotation capture des détails que les méthodes d’étiquetage traditionnelles manquent souvent. C’est particulièrement utile lorsque les objets ont des formes irrégulières ou des contours complexes, comme les feuilles, les silhouettes humaines et les objets qui se chevauchent.

Cette précision des données aide les modèles de machine learning à apprendre plus efficacement pendant l’entraînement. Lorsque les annotations capturent fidèlement les véritables limites d’un objet, les modèles peuvent mieux comprendre ses motifs au niveau des pixels. Cela améliore les performances du modèle, en particulier pour les tâches de segmentation qui exigent une grande précision.

Le rôle des annotations polygonales dans les workflows de vision par ordinateur#

Alors, comment les annotations polygonales sont-elles réellement utilisées ? Elles sont étroitement liées aux modèles d’IA visuelle qui prennent en charge des tâches de segmentation d’images comme la segmentation d’instances.

Dans de nombreuses applications de vision par ordinateur, il est essentiel de connaître la zone exacte occupée par chaque objet dans une image ou une trame vidéo. La détection de pièces automobiles dans l’industrie est un bon exemple. Dans ce cas, les modèles doivent identifier et délimiter précisément des pièces comme les portières, les vitres et les phares, même lorsqu’elles se chevauchent ou présentent des formes complexes.

C’est là que la segmentation d’instances intervient. Elle permet aux modèles de détecter chaque objet et d’en cartographier les limites exactes au niveau des pixels. Elle se distingue de la simple détection d’objets, qui utilise des boîtes englobantes.

Fig. 2. La segmentation d’instances peut également aider à distinguer les pièces endommagées d’une voiture. (Source)

Les boîtes englobantes fournissent uniquement des régions rectangulaires approximatives autour des objets et incluent souvent de l’arrière-plan supplémentaire, ce qui complique la capture des formes irrégulières ou la séparation d’éléments qui se chevauchent.

L’annotation polygonale joue un rôle essentiel pour atteindre ce niveau de précision. Le suivi de la forme exacte de chaque objet dans les images d’un jeu de données crée des données d’entraînement de haute qualité qui reflètent les véritables limites des objets. Ces annotations détaillées aident les modèles, comme Ultralytics YOLO26, à mieux comprendre la structure de chaque composant, ce qui produit des résultats de segmentation plus précis.

Limites des outils traditionnels d’annotation d’images#

Examinons maintenant les limites des outils d’annotation traditionnels afin de comprendre pourquoi des solutions plus efficaces et évolutives comme Ultralytics Platform sont nécessaires.

Voici quelques difficultés courantes rencontrées par les annotateurs lorsqu’ils utilisent des outils traditionnels d’annotation polygonale :

• Prise en charge limitée des types d’annotations : Certains outils se concentrent sur une seule technique d’annotation, ce qui complique l’utilisation de différents types, comme les polygones, les boîtes englobantes et les points clés, au même endroit.
• Gestion inefficace des annotations complexes : Les outils peuvent ne pas disposer de fonctionnalités facilitant l’annotation précise d’objets complexes comportant des détails fins.
• Absence de fonctionnalités assistées par l’IA : De nombreux outils reposent entièrement sur le travail manuel, sans prise en charge intégrée de l’IA pour accélérer l’annotation.
• Gestion fragmentée des jeux de données : La gestion des jeux de données, des versions et des annotations peut être difficile, en particulier lorsque les outils ne fournissent pas d’espace de travail centralisé.

Ultralytics Platform répond à ces problèmes grâce à des fonctionnalités d’annotation assistées par l’IA, optimisées à la fois par les modèles Segment Anything (SAM) et les modèles YOLO. SAM permet de générer des masques de segmentation de haute qualité à partir d’entrées simples comme des clics, qui peuvent ensuite être affinés en annotations polygonales précises.

De même, l’annotation intelligente basée sur YOLO utilise des modèles YOLO préentraînés ou entraînés sur mesure pour effectuer des inférences sur une image et ajouter des prédictions, comme des boîtes englobantes, des masques de segmentation ou des boîtes englobantes orientées, sous forme d’annotations qui peuvent ensuite être vérifiées et ajustées si nécessaire. Ensemble, ces fonctionnalités rendent le processus d’annotation plus rapide, plus cohérent et plus facile à faire évoluer.

Les différents types d’annotations pris en charge par Ultralytics Platform#

Ultralytics Platform inclut un éditeur d’annotations intégré qui permet aux utilisateurs d’annoter directement les images dans l’espace de travail. Cela facilite la création et la gestion des jeux de données sans dépendre d’outils distincts d’étiquetage des données, souvent chronophages.

En plus des annotations polygonales, Ultralytics Platform prend en charge plusieurs autres types d’annotations. Voici un aperçu rapide :

• Boîtes englobantes : Les annotateurs peuvent dessiner de simples rectangles autour des objets, ce qui facilite leur étiquetage et leur détection dans une image.
• Points clés : Cette méthode sert à marquer des points spécifiques, comme des articulations ou des repères corporels, pour des tâches telles que l’estimation de pose.
• Boîtes englobantes orientées (OBBs) : Elles permettent de représenter plus précisément les objets tournés ou inclinés que les boîtes englobantes standard.
• Étiquettes de classification : Pour les tâches plus simples, les utilisateurs peuvent attribuer des étiquettes à des images entières au lieu de marquer des objets individuels.

Annoter des objets avec des polygones sur Ultralytics Platform#

Voyons maintenant comment créer des annotations polygonales sur Ultralytics Platform, manuellement ou à l’aide d’outils assistés par l’IA.

Créer manuellement des annotations polygonales sur Ultralytics Platform#

Voici un guide rapide, étape par étape, pour créer manuellement des annotations polygonales :

• Étape 1 - Accéder à ton jeu de données : Ouvre le jeu de données qui contient les images que tu souhaites annoter. C’est ici que tes images et tes annotations sont stockées et gérées.
• Étape 2 - Ouvrir une image : Clique sur une image pour l’ouvrir dans l’interface d’annotation. Le workflow d’annotation dépend de la tâche du jeu de données. Par exemple, dans un jeu de données de segmentation d’instances, les annotations sont créées à l’aide de masques polygonaux.
• Étape 3 – Commencer à créer un masque : Clique sur l’image pour commencer l’annotation. Chaque clic ajoute un sommet le long de la limite de l’objet.
• Étape 4 – Suivre le contour de l’objet : Continue à cliquer le long des contours de l’objet pour en définir la forme.
• Étape 5 – Terminer le polygone : Tu peux appuyer sur « Enter » ou cliquer sur le premier point pour terminer le polygone et attribuer une étiquette de classe.
• Étape 6 – Ajouter d’autres annotations : Répète le processus pour créer d’autres polygones correspondant aux autres objets de l’image.
• Étape 7 – Enregistrer les annotations : Les annotations sont enregistrées automatiquement au fur et à mesure de leur création.

Fig. 3. Aperçu de la création manuelle d’annotations polygonales avec Ultralytics Platform (Source)

Annotation polygonale intelligente sur Ultralytics Platform#

Examinons maintenant les fonctionnalités d’étiquetage assistées par l’IA prises en charge par Ultralytics Platform, qui accélèrent le processus d’annotation.

La plateforme propose deux approches pour l’annotation intelligente : l’une optimisée par les modèles Segment Anything pour générer des annotations interactives à partir de clics, et l’autre optimisée par les modèles YOLO pour ajouter directement les prédictions des modèles sous forme d’annotations. Les deux approches peuvent être utilisées pour l’annotation polygonale intelligente.

Annotation intelligente avec SAM sur Ultralytics Platform#

L’annotation assistée par SAM sur Ultralytics Platform simplifie l’étiquetage manuel en utilisant le modèle Segment Anything (SAM) pour générer des masques de segmentation avec un minimum d’entrées. Au lieu de suivre les objets point par point, les utilisateurs peuvent interagir avec l’image à l’aide d’instructions simples comme des clics pour indiquer ce qui doit être inclus ou exclu.

La plateforme prend en charge plusieurs modèles SAM, notamment SAM 2.1 et SAM 3, ce qui permet aux utilisateurs de choisir entre des performances plus rapides ou une précision supérieure selon leurs besoins. En fonction des entrées de l’utilisateur, SAM génère des masques au niveau des pixels en temps réel. Ces masques peuvent ensuite être affinés et utilisés comme annotations polygonales, ce qui rend le processus plus rapide, plus cohérent et plus facile à faire évoluer.

Voici les étapes à suivre pour utiliser SAM afin de créer des annotations polygonales dans Ultralytics Platform :

• Étape 1 – Ouvrir une image : Accède à ton jeu de données et clique sur une image pour lancer la visionneuse en plein écran.
• Étape 2 – Passer en mode annotation : Clique sur « Edit », puis passe en mode Smart (ou appuie sur S) pour activer SAM.
• Étape 3 – Sélectionner un modèle SAM : Choisis un modèle SAM dans la barre d’outils en fonction de tes besoins en vitesse et en précision.
• Étape 4 – Fournir des instructions : Clique avec le bouton gauche pour ajouter des points positifs (zones à inclure) et avec le bouton droit pour ajouter des points négatifs (zones à exclure).
• Étape 5 – Générer et appliquer le masque : SAM prédit un masque de segmentation en temps réel. Appuie sur « Enter » (ou utilise l’application automatique) pour appliquer l’annotation.
• Étape 6 – Affiner l’annotation : Ajoute d’autres points ou ajuste le résultat si nécessaire pour améliorer la précision avant l’enregistrement.

Fig. 4. Annotation polygonale assistée par SAM dans Ultralytics Platform (Source)

Annotation intelligente avec YOLO sur Ultralytics Platform#

L’annotation intelligente basée sur YOLO dans Ultralytics Platform accélère l’étiquetage en utilisant des modèles Ultralytics YOLO préentraînés ou des modèles YOLO affinés pour générer des prédictions sur une image et les ajouter sous forme d’annotations. Ces prédictions peuvent inclure des boîtes englobantes, des masques de segmentation ou des boîtes englobantes orientées, selon la tâche du jeu de données.

Les utilisateurs peuvent ensuite vérifier et affiner ces annotations si nécessaire. Voici un aperçu des étapes à suivre pour utiliser l’annotation intelligente basée sur YOLO dans Ultralytics Platform :

• Étape 1 – Ouvrir une image : Accède à ton jeu de données et sélectionne une image pour l’ouvrir dans la visionneuse en plein écran.
• Étape 2 – Passer en mode annotation : Clique sur « Edit », puis passe en mode Smart (ou appuie sur S).
• Étape 3 – Sélectionner un modèle YOLO : Choisis un modèle YOLO dans le sélecteur de modèles de la barre d’outils.
• Étape 4 – Exécuter la prédiction : Clique sur « Predict » pour permettre au modèle de générer automatiquement les annotations.
• Étape 5 – Vérifier les annotations : Examine les boîtes englobantes, les masques de segmentation ou les OBB prédits et ajoutés à l’image.
• Étape 6 – Affiner et enregistrer : Modifie, ajuste ou supprime les annotations incorrectes si nécessaire, puis enregistre tes étiquettes finales.

Fig. 5. Aperçu de l’utilisation de l’annotation intelligente YOLO (Source)

Cas d’utilisation réels de l’annotation polygonale#

L’annotation polygonale a un impact concret dans de nombreux secteurs, du contrôle qualité industriel à l’agriculture et à la santé. Découvrons quelques applications concrètes importantes.

Identifier les infestations de ravageurs avec la vision par ordinateur#

Dans l’agriculture, surveiller la santé des cultures est essentiel pour améliorer les rendements et réduire les pertes. Détecter les zones infestées par des ravageurs sur les feuilles des cultures peut être difficile, car ces régions ont souvent des formes irrégulières et des limites mal définies.

Ce type de problème peut être abordé à l’aide de techniques de segmentation d’images comme la segmentation sémantique, qui étiquette tous les pixels appartenant à une classe (comme les zones infestées), ou la segmentation d’instances, qui sépare les contours des objets avec davantage de précision.

Avec Ultralytics Platform, les utilisateurs peuvent utiliser l’annotation polygonale pour suivre la forme exacte de ces zones infestées. Cela aide à créer des jeux de données plus précis et permet aux algorithmes d’IA visuelle de repérer plus facilement les motifs subtils dans les environnements agricoles.

Ainsi, les équipes peuvent créer de meilleures données d’entraînement qui aident les modèles à identifier exactement où se trouvent les infestations de ravageurs. Cette approche est plus efficace que l’utilisation de boîtes englobantes, qui peuvent inclure des parties non touchées de la feuille.

Analyse d’images médicales optimisée par la segmentation d’instances#

Comme pour la détection des ravageurs en agriculture, même de petites différences au niveau des limites peuvent avoir un impact sur l’analyse de maladies comme le cancer en imagerie médicale. Cela est particulièrement important pour identifier des anomalies médicales telles que des tumeurs sur des scanners CT.

Les méthodes d’annotation traditionnelles peuvent manquer les contours fins ou inclure les tissus environnants, ce qui peut réduire la précision. Avec Ultralytics Platform, les équipes peuvent utiliser l’annotation polygonale pour suivre précisément ces régions dans les données d’entraînement, aidant ainsi les modèles à produire une segmentation des tumeurs plus précise et plus fiable.

Points clés à retenir#

L’annotation polygonale est essentielle lorsque les modèles doivent comprendre avec précision la forme des objets dans les images. Elle aide à représenter plus fidèlement les formes complexes, notamment avec Ultralytics Platform. En combinant précision et outils puissants, les équipes peuvent créer des modèles d’IA plus fiables et plus performants.

Prêt à intégrer l’IA visuelle à tes projets ? Rejoins notre communauté et découvre l’IA dans le secteur automobile ainsi que l’IA visuelle dans la robotique. Explore notre dépôt GitHub pour en savoir plus. Consulte nos options de licence pour commencer dès aujourd’hui !