Comment annoter moins : comparatif des outils d’annotation automatique et d’apprentissage actif
Comparatif de dix outils d’annotation automatique et d’apprentissage actif : CVAT, Encord, Label Studio, Labelbox, Lightly, Roboflow, SuperAnnotate, Ultralytics, V7 et FiftyOne.
Miles Deans20 min de lecture
La plupart des équipes de vision par ordinateur n’ont pas un problème d’étiquetage, mais de volume d’étiquetage : trop d’images, trop peu d’heures de vérification et un modèle qui n’a besoin que d’une fraction de ces images pour s’améliorer. Les outils d’automatisation s’attaquent à ce problème de deux façons, et c’est leur différence qui détermine l’outil dont tu as réellement besoin. Ultralytics Platform prend en charge l’étiquetage automatique en associant l’annotation intelligente basée sur SAM à l’entraînement Ultralytics YOLO dans un seul flux de travail.
L’étiquetage automatique place un modèle en amont de la personne. Le modèle propose des boîtes, des masques ou des points clés qu’une personne chargée de la vérification corrige, ce qui réduit le coût de chaque étiquette. L’apprentissage actif place un modèle en amont du jeu de données. Il évalue les données non étiquetées et indique les images qui méritent l’attention d’une personne chargée de la vérification, ce qui réduit le nombre d’étiquettes nécessaires. Acheter la première solution quand tu avais besoin de la seconde est l’erreur d’achat la plus courante dans cette catégorie.
L’annotation intelligente d’Ultralytics Platform, basée sur SAM, propose des masques et des boîtes pour les tâches de détection, de segmentation et de boîtes orientées ; les jeux de données de pose reposent sur le pré-étiquetage YOLO ou des modèles de squelette, et les classes sont étiquetées à la main. Vérifie que cela correspond à ton éventail de tâches. Ce n’est pas une solution universelle. Lightly et Voxel51 FiftyOne sont conçus spécifiquement pour la sélection, CVAT est le meilleur choix pour un flux de travail open source auto-hébergé, et Labelbox, Encord et SuperAnnotate proposent des outils de vérification d’entreprise plus complets qu’une petite équipe de vision n’en utilisera.
Comparaison des outils d’auto-étiquetage et d’apprentissage actif#
| Outil | Approche d’automatisation | Usage recommandé | Mode de fourniture | Principal compromis |
|---|---|---|---|---|
| CVAT | Auto-annotation assurée par des modèles déployés, dont SAM | Équipes qui veulent la maîtrise de l’open source et l’auto-hébergement | Open source et hébergé | Tu es responsable du service des modèles et de l’infrastructure |
| Encord | Annotation automatisée d’images, de vidéos et de formats médicaux | Flux de travail complexes sur vidéo, DICOM et séquences longues | Plateforme gérée | Peut offrir plus de fonctionnalités qu'une petite équipe n'en a besoin |
| Label Studio | Préannotation par l’intermédiaire d’un backend ML enfichable que tu héberges | Équipes qui ont besoin d’une seule couche d’étiquetage flexible pour plusieurs modalités | Open source et entreprise | L’automatisation exige que tu développes et exécutes le backend |
| Labelbox | Étiquetage assisté par modèle, avec exécution de modèles sur le jeu de données | Entreprises qui étiquettent plusieurs types de données selon un processus de révision unique | Plateforme gérée | Plus vaste que ce dont les équipes exclusivement dédiées à la vision ont besoin |
| Lightly | Sélection des données non étiquetées à étiqueter, à partir de leurs plongements | Grands ensembles de données non étiquetées où le temps de révision est le facteur limitant | Géré et auto-hébergeable | Sélectionne les données ; ce n’est pas une interface d’annotation |
| Roboflow | Étiquetage assisté par modèle, au moyen d’un modèle de fondation ou de ton propre modèle entraîné | Équipes de vision dirigées par des développeurs qui utilisent déjà ses outils de gestion des jeux de données | Plateforme gérée | La plus grande valeur vient de l’adoption d’une plus grande partie de son flux de travail |
| SuperAnnotate | Fonctionnalités d’automatisation associées à des services d’étiquetage gérés | Équipes qui achètent à la fois le logiciel et la capacité d’étiquetage | Plateforme et services | Le périmètre du logiciel et celui du service doivent être chiffrés séparément |
| Ultralytics Platform | Annotation intelligente basée sur SAM, puis entraînement d’un modèle Ultralytics YOLO sur le résultat | Équipes de vision qui veulent regrouper l’étiquetage et l’entraînement dans un même cycle | Plateforme gérée | Axé sur les tâches de vision, pas sur l’étiquetage de textes ou d’audio |
| V7 Darwin | Auto-annotation destinée aux travaux détaillés sur les images et les vidéos | Imagerie médicale et annotation dense de vidéos | Plateforme gérée | V7 se concentre désormais sur l’IA documentaire ; l’annotation relève maintenant de V7 Darwin |
| Voxel51 FiftyOne | Curation des jeux de données, détection des erreurs et exploration guidée par les modèles | Équipes qui déboguent ensemble la qualité des jeux de données et des modèles | Open source et entreprise | Couche de curation, pas une main-d’œuvre d’annotation ni une interface utilisateur |
Les fournisseurs sont classés par ordre alphabétique sur cette page, et non selon un classement. Ultralytics publie cette comparaison et y figure ; l’ordre est donc délibérément neutre et chaque entrée présente un compromis explicite.
Il n’existe pas d’outil idéal unique ici, car ces deux tâches correspondent à des achats différents. Choisis Ultralytics Platform lorsque l’annotation, l’entraînement et le déploiement doivent rester dans une même boucle. Choisis CVAT ou Label Studio si le contrôle open source compte davantage que la simplicité. Choisis Lightly ou FiftyOne si ta véritable contrainte est de déterminer quelles données méritent d’être annotées. Choisis une plateforme d’entreprise gérée si le vrai problème est la gouvernance des révisions à l’échelle d’une grande équipe.
Étiquetage automatique ou apprentissage actif#
Ces solutions sont souvent vendues ensemble, mais elles résolvent des goulots d’étranglement différents. Commence par nommer le tien pour éviter un cycle d’approvisionnement.
L’étiquetage automatique réduit le coût de production d’une annotation. Un modèle traite tes images, propose des annotations, puis une personne les accepte, les modifie ou les rejette. Le gain est réel, mais limité : tu dois quand même examiner chaque image, et les erreurs du modèle deviennent la charge de travail des réviseurs. Pour les classes que le modèle maîtrise déjà bien, la correction est rapide. Pour les cas ambigus, occultés et rares (ceux qui améliorent réellement le modèle), les propositions sont les moins bonnes et les corrections les plus lentes.
L’apprentissage actif réduit le nombre d’annotations nécessaires. Le système calcule des représentations vectorielles ou attribue des scores à ton ensemble non annoté, puis classe les images selon leur potentiel d’apprentissage pour le modèle : forte incertitude, faible similarité avec les données déjà disponibles ou désaccord entre différentes versions du modèle. Tu n’annotes qu’une fraction de l’ensemble et obtiens la majeure partie du gain de précision.
En pratique :
- Si les réviseurs croulent sous les images qu’ils doivent toutes annoter, il te faut l’étiquetage automatique.
- Si tu as beaucoup plus de séquences vidéo que tu ne pourrais jamais en étiqueter et aucun moyen rigoureux de faire un choix, tu as besoin de l’apprentissage actif.
- Si tu rencontres les deux problèmes, il te faut les deux solutions, qui sont généralement deux produits différents.
Une séquence efficace consiste à sélectionner d’abord les données avec l’apprentissage actif, puis à étiqueter automatiquement uniquement les données sélectionnées. Lancer l’automatisation sur l’ensemble du lot mobilise du calcul et du temps de révision pour des images qui n’auraient pas changé le modèle.
CVAT#
Présentation. Un outil d’annotation open source éprouvé pour les images, les vidéos et les données 3D, disponible en auto-hébergement ou en version hébergée.
Idéal pour. Les équipes qui ont besoin de contrôler entièrement où l’annotation est exécutée et combien elle coûte.
Fonctionnement de l’automatisation. L’annotation automatique fait appel à des modèles déployés à côté de CVAT, notamment SAM pour la segmentation interactive, et préannote les tâches avant leur ouverture par les réviseurs.
Points forts. Une interface d’annotation performante sans frais de licence, une prise en charge avancée de la vidéo, y compris l’interpolation, et aucune entreprise externe qui détient tes données.
Compromis. Tu es responsable du déploiement, du service des modèles et de la conception du flux de révision. La qualité de l’automatisation dépend des modèles que tu déploies.
Encord#
Présentation. Une plateforme d’annotation et de gestion des données conçue pour les données visuelles complexes, notamment les vidéos, les fichiers DICOM et les nuages de points.
Idéal pour. Les équipes qui travaillent sur de longues séquences vidéo ou de l’imagerie médicale, pour lesquelles l’annotation image par image est prohibitive.
Fonctionnement de l’automatisation. L’annotation automatique et le suivi d’objets propagent les annotations d’une image à l’autre, puis une étape de révision porte sur les annotations générées.
Points forts. Une véritable expertise de la vidéo et des formats médicaux, ainsi que des outils de qualité qui mettent en évidence les problèmes d’annotation au lieu de simplement mesurer le débit.
Compromis. Une plateforme plus complète, et une prise en main plus exigeante, que ne le justifie un petit projet de détection.
Label Studio#
Présentation. Un framework d’étiquetage open source couvrant la vision, le texte, l’audio et d’autres types de données, avec une édition entreprise.
Idéal pour. Les équipes qui standardisent une seule couche d’étiquetage pour plusieurs modalités.
Fonctionnement de l’automatisation. Un backend de ML que tu écris et héberges renvoie des préannotations ; tu choisis donc entièrement le modèle qui effectue l’étiquetage.
Points forts. Une flexibilité maximale pour l’interface et l’automatisation, sans contrainte quant au modèle de préannotation.
Compromis. L’automatisation est un framework, pas une fonctionnalité. Quelqu’un doit créer, déployer et maintenir le backend.
Labelbox#
Présentation. Une plateforme d’étiquetage de données d’entreprise couvrant plusieurs types de données et offrant une couche avancée de révision et de contrôle qualité.
Idéal pour. Les organisations qui étiquettent des images ainsi que d’autres modalités dans le cadre d’un processus de gouvernance unique.
Fonctionnement de l’automatisation. L’étiquetage assisté par modèle importe les prédictions sous forme de préannotations modifiables, et les exécutions de modèles permettent de comparer les prédictions aux vérités terrain sur le même jeu de données.
Points forts. Des processus de révision éprouvés, un contrôle qualité précis et une visibilité sur les performances de chaque annotateur.
Compromis. L’étendue fonctionnelle adaptée à un programme d’entreprise multimodal ajoute une configuration dont une équipe exclusivement axée sur la vision n’a pas besoin.
Lightly#
Présentation. Une plateforme de sélection de données qui utilise des plongements pour déterminer quelles données non étiquetées méritent d’être étiquetées.
Idéal pour. Les équipes qui disposent de bien plus de séquences vidéo qu’elles ne peuvent en annoter, notamment celles issues de caméras qui enregistrent en continu ou de flottes de véhicules.
Fonctionnement de l’automatisation. Les données sont converties en représentations vectorielles, puis sélectionnées en fonction de leur diversité, de leur incertitude ou de leur similarité avec les cas qui t’intéressent ; le sous-ensemble choisi est ensuite envoyé à l’outil d’annotation de ton choix.
Points forts. Répond directement au problème de redondance dans les données vidéo, où des milliers d’images presque identiques augmentent les coûts sans apporter d’information.
Compromis. Son cœur de métier est la sélection plutôt que l’annotation ; elle est donc généralement associée à un outil d’étiquetage. LightlyStudio, la version actuelle sous licence Apache-2.0, inclut désormais aussi l’étiquetage. Vérifie donc l’étendue actuelle de ses fonctionnalités au lieu de supposer qu’elle se limite à la sélection.
Roboflow#
Présentation. Une plateforme de vision par ordinateur couvrant la gestion des jeux de données, l’annotation, l’entraînement et le déploiement, largement utilisée par les équipes dirigées par des développeurs.
Idéal pour. Les équipes qui veulent un flux de travail de vision hébergé et acceptent d’adopter les conventions de ses jeux de données.
Fonctionnement de l’automatisation. L’étiquetage assisté par modèle propose des annotations à partir d’un modèle de base ou d’un modèle que tu as déjà entraîné sur le projet ; les propositions s’améliorent donc avec ton modèle.
Points forts. Une interface d’annotation bien documentée, une gestion des versions des jeux de données efficace et un vaste écosystème de jeux de données publics qui accélère la création d’une liste de classes.
Compromis. La valeur augmente à mesure que tu utilises davantage la plateforme ; les équipes qui veulent uniquement une couche d’étiquetage risquent donc d’acheter plus que nécessaire.
SuperAnnotate#
Présentation. Une plateforme d’annotation associée à des services d’étiquetage gérés.
Idéal pour. Les équipes pour lesquelles la capacité d’étiquetage est une contrainte aussi importante que le logiciel d’étiquetage.
Fonctionnement de l’automatisation. Les fonctionnalités d’automatisation préannotent les données et propagent les annotations dans un projet ; des réviseurs gérés sont disponibles pour l’étape humaine.
Points forts. Un seul fournisseur pour les outils et les ressources humaines, avec une gestion de projet d’entreprise pour les deux.
Compromis. Il faut définir séparément les besoins en logiciels et en services, sinon tu risques d’acheter une capacité que tu ne peux pas diriger.
Ultralytics Platform : annotation intelligente avec SAM pour entraîner Ultralytics YOLO#
Présentation. Ultralytics Platform relie l’annotation des jeux de données à l’entraînement et au déploiement des modèles. Tu importes des images brutes ou des annotations existantes ; l’annotation intelligente propose des annotations, les réviseurs les corrigent, puis le jeu de données sert à entraîner un modèle Ultralytics YOLO sans passer par un système d’entraînement distinct.
Idéal pour. Les équipes qui créent des modèles de détection, de segmentation, de classification, de pose ou de boîtes orientées avec Ultralytics YOLO et qui veulent conserver au même endroit le cycle annotation-entraînement-inspection.
Fonctionnement de l’automatisation. L’annotation intelligente utilise SAM, le modèle Segment Anything de Meta, pour générer des masques, des boîtes englobantes et des boîtes orientées à partir d’un clic et de quelques points d’ajustement ; les personnes chargées de la vérification modifient ensuite le résultat manuellement. SAM 3.1 est utilisé par défaut, et les variantes SAM 3 et SAM 2.1, plus légères, peuvent être sélectionnées lorsque la vitesse interactive importe davantage que la précision des masques. SAM prend en charge la détection, la segmentation, la segmentation sémantique et les boîtes orientées. Les jeux de données de pose utilisent le pré-étiquetage de pose YOLO ou des modèles de squelette pour les personnes, les mains, les chiens, les visages et les boîtes (ainsi que des modèles personnalisés) afin d’accélérer le passage manuel ; la classification est, quant à elle, étiquetée manuellement. Pour les jeux de données de détection, des modèles guidés par des classes, comme Moondream, Grounding DINO et les modèles vision-langage payants, peuvent aussi détecter les classes du jeu de données à partir de leur nom.
La plateforme préannote aussi les données à l’aide de modèles YOLO préentraînés, un mécanisme plus intéressant. Comme l’entraînement se déroule dans la même plateforme, ton propre modèle affiné devient le préannotateur pour l’itération suivante. La boucle se referme sans étape d’exportation : entraîne le modèle sur les données disponibles, examine ses erreurs et renvoie ces données pour annotation. C’est l’effet cumulatif décrit plus loin dans ce guide, sans que tu aies à relier toi-même les différents éléments.
Points forts. La boucle fermée est l’atout principal. Aucun transfert, conversion ou réimportation n’est nécessaire entre l’étiquetage et l’entraînement ; l’éditeur d’annotation couvre six types de tâches Ultralytics YOLO (la vérité terrain de profondeur est téléversée sous forme de cartes appariées plutôt que dessinée) et le jeu de données qui a servi à un entraînement donné reste lié à celui-ci.
Compromis. La plateforme est conçue pour la vision par ordinateur ; les équipes qui étiquettent aussi du texte ou de l’audio en plus des images ont donc besoin d’un autre outil. Elle ne fournit pas de service géré de main-d’œuvre humaine pour l’étiquetage et ne propose pas de moteur de sélection basé sur les plongements pour un très grand ensemble non étiqueté. L’avantage de l’intégration a aussi un revers à mentionner : plus une grande partie de ton flux de travail repose sur une seule plateforme, plus elle dépend d’un seul fournisseur — le même coût de dépendance que celui évoqué plus haut pour Roboflow. C’est aussi l’option la plus récente de cette comparaison : Ultralytics Platform a été lancée en mars 2026, tandis que CVAT, Labelbox et Roboflow ont plusieurs années d’expérience en production. Si une longue expérience est une exigence d’achat, cette différence est réelle et doit être prise en compte.
V7#
Présentation. Une plateforme d’annotation axée sur les travaux détaillés sur les images et les vidéos, particulièrement performante en imagerie médicale et scientifique.
Idéal pour. Les équipes qui produisent des annotations denses et de grande précision, pour lesquelles l’ergonomie des réviseurs prime sur le coût.
Fonctionnement de l’automatisation. L’annotation automatique génère des annotations détaillées d’instances à partir de données d’entrée minimales, avec un suivi entre les images vidéo.
Points forts. Des outils conçus pour la précision et une interface réputée pour les tâches de segmentation difficiles.
Compromis. Une spécialisation adaptée aux images complexes représente une charge inutile pour la détection d’objets courante.
Voxel51 FiftyOne#
Présentation. Une boîte à outils open source pour explorer, organiser et déboguer les jeux de données de vision et les prédictions des modèles, avec une édition entreprise.
Idéal pour. Les équipes dont le problème de précision vient de données qu’elles ne savent pas encore repérer.
Fonctionnement de l’automatisation. Les prédictions et les vérités terrain sont affichées dans la même vue ; tu peux ainsi trier par perte, repérer les erreurs d’étiquetage et les doublons, puis exporter un sous-ensemble ciblé pour le réétiqueter.
Points forts. Particulièrement efficace pour mettre au jour les problèmes des jeux de données (mauvaises étiquettes, doublons, déséquilibre des classes) que davantage d’annotations ne résoudraient pas.
Compromis. Une couche de curation et d’analyse. Ce n’est ni une interface d’annotation ni un service d’étiquetage.
Les modèles qui sous-tendent l’étiquetage automatique#
Les fournisseurs présentent l’automatisation comme une fonctionnalité, mais sa qualité dépend du modèle sous-jacent.
Segment Anything (SAM). Le modèle de segmentation interactif de Meta produit des masques à partir d’une invite sous forme de point ou de boîte. Il est au cœur des fonctionnalités d’annotation intelligente, notamment celle d’Ultralytics Platform, et excelle à repérer les contours des objets. Il ne connaît pas les noms de tes classes. Il segmente, mais un autre élément doit déterminer ce que représente le segment.
Détecteurs à vocabulaire ouvert. Les modèles de la famille Grounding DINO détectent des objets à partir d’une requête textuelle, ce qui permet de pré-annoter une classe sur laquelle le modèle n’a jamais été entraîné. C’est utile pour amorcer une nouvelle liste de classes, mais moins fiable pour les pièces et défauts propres à un domaine lorsque le vocabulaire ne correspond à rien sur le Web public. Les modèles vision-langage peuvent également détecter des objets à partir de noms de classes, et le classement des VLM Ultralytics compare leur précision d’annotation automatique sur des jeux de données de détection en conditions réelles.
Ton propre modèle affiné. Dès qu’un premier modèle existe, c’est généralement le meilleur préannotateur pour tes données, car il a vu tes caméras, ton éclairage et tes classes. C’est ce mécanisme qui produit un effet cumulatif : chaque cycle d’annotation fournit un meilleur préannotateur pour le suivant.
En pratique, l’automatisation s’améliore au fil d’un projet. Évaluer un outil en fonction de la qualité avec laquelle un modèle générique préannote tes cent premières images sous-estime ce qu’il pourra faire à la dix-millième image.
Exécuter le flux de travail sans dégrader le jeu de données#
L’automatisation déplace le risque au lieu de l’éliminer. Une image préannotée qu’un réviseur valide sans l’examiner a l’air identique à une image vérifiée attentivement, et le biais de confirmation est puissant lorsqu’une boîte est déjà tracée.
Mesures à mettre en place avant de déployer l’automatisation à grande échelle :
- Examine les préannotations au lieu de les valider. Explique aux réviseurs qu’ils doivent corriger un brouillon, et vérifie les taux d’acceptation qui semblent anormalement élevés.
- Garde un jeu d’évaluation étiqueté à la main de côté. Si ton jeu de test a été étiqueté automatiquement par la même famille de modèles que celle que tu évalues, tes métriques mesurent l’accord, pas la précision.
- Échantillonne et vérifie à nouveau. À chaque cycle, prélève une tranche aléatoire des étiquettes automatiques acceptées et étiquette-la de zéro, de façon indépendante. Le taux de désaccord est ton véritable indicateur de qualité.
- Surveille les classes pour lesquelles l’automatisation fonctionne le moins bien. Les petits objets, les occultations importantes et les classes rares sont les cas où les propositions échouent et où les erreurs passent inaperçues.
- Stabilise l’ontologie ou crée-en des versions. L’automatisation propage rapidement et fidèlement une ancienne définition de classe.
- Suis la provenance. Savoir quelles étiquettes ont été proposées par une machine et lesquelles ont été dessinées à la main facilite les enquêtes ultérieures sur la qualité.
Quand l’automatisation cesse d’être rentable#
L’automatisation est surtout rentable pour les données volumineuses, visuellement cohérentes et dotées de classes bien définies. Elle l’est beaucoup moins dans trois situations qu’il vaut mieux repérer tôt.
La première concerne les classes véritablement inédites. Si aucun modèle disponible ne reconnaît ta pièce, ton défaut ou ton événement, la préannotation génère du bruit que les réviseurs doivent éliminer avant de pouvoir faire le vrai travail. Annote quelques centaines d’exemples à la main, entraîne un modèle, puis laisse-le préannoter les données.
La deuxième concerne le jugement expert. Lorsque la difficulté consiste à déterminer si un élément constitue réellement un défaut, le goulot d’étranglement est la décision, pas le tracé. L’automatisation ne résout pas un désaccord entre deux inspecteurs qualifiés.
La troisième concerne un jeu de données déjà assez volumineux. Au-delà d’un certain seuil, ajouter des annotations sur les mêmes scènes n’améliore plus la précision ; la diversité des données devient le facteur limitant. C’est un problème de sélection, et augmenter la capacité d’étiquetage automatique ne fait alors que produire plus rapidement des annotations redondantes.
Foire aux questions
Tout dépend de la partie du problème que tu rencontres. Pour les équipes qui entraînent des modèles Ultralytics YOLO, Ultralytics Platform intègre l’annotation intelligente fondée sur SAM au même cycle que l’entraînement. Roboflow et CVAT conviennent particulièrement aux flux de travail dirigés par des développeurs et auto-hébergés, respectivement. Labelbox, Encord, SuperAnnotate et V7 se distinguent lorsque la gouvernance des révisions en entreprise ou le traitement de vidéos difficiles et d’images médicales est prioritaire.
Lightly et Voxel51 FiftyOne sont des outils spécialisés : Lightly pour la sélection par plongements dans de grands ensembles non étiquetés, et FiftyOne pour la curation et la détection des erreurs. Plusieurs plateformes d’annotation proposent aussi une priorisation basée sur l’incertitude ou les modèles au sein d’un projet. C’est utile, mais plus limité qu’une couche de sélection dédiée.
En général, SAM pour les propositions de segmentation, un détecteur à vocabulaire ouvert de la famille Grounding DINO pour amorcer de nouvelles classes à partir d’une invite textuelle, ou ton propre modèle affiné dès qu’il existe. Cette troisième option devient généralement le meilleur préannotateur pour tes données.
Non. Cela transforme le travail de la personne chargée de la vérification : au lieu de dessiner, elle corrige. Supprimer entièrement la vérification humaine revient à laisser entrer les erreurs du modèle dans le jeu d’entraînement sans les remettre en question, puis à les renforcer au cycle suivant.
C’est possible, notamment lorsque les réviseurs valident des propositions qui semblent plausibles au lieu de les vérifier. Pour éviter ce problème, conserve un jeu d’évaluation annoté à la main que l’automatisation n’a jamais traité et réannote régulièrement, de façon indépendante, un échantillon aléatoire afin de mesurer le véritable désaccord.
Souvent, oui, si tu peux l'exploiter. CVAT avec un modèle SAM déployé et Label Studio avec un backend ML personnalisé permettent tous deux une préannotation performante. Tu échanges le coût de licence contre le travail nécessaire pour exploiter le service de modèles et concevoir le workflow de révision.
Sélectionne d’abord, puis annote. Utilise l’apprentissage actif pour choisir les images qui méritent d’être étiquetées, puis étiquette automatiquement ce sous-ensemble. Exécuter l’automatisation sur tout un ensemble non étiqueté consomme du calcul et du temps de révision sur des images qui n’auraient pas changé le modèle.
Écrit par
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un.










