Comment annoter moins : comparatif des outils d’annotation automatique et d’apprentissage actif

La plupart des équipes de vision par ordinateur n’ont pas un problème d’étiquetage. Elles ont un problème de volume d’étiquetage : trop d’images, trop peu d’heures de révision et un modèle qui n’a besoin que d’une fraction de ces images pour progresser. Les outils d’automatisation s’attaquent au problème de deux façons, et la différence entre les deux détermine l’outil dont tu as réellement besoin. Ultralytics Platform couvre l’auto-étiquetage en associant l’annotation intelligente basée sur SAM à l’entraînement Ultralytics YOLO dans un seul flux de travail.

L’auto-étiquetage place un modèle devant l’humain. Le modèle propose des boîtes, des masques ou des points clés, puis une personne révise et corrige ses propositions, ce qui réduit le coût de chaque étiquette. L’apprentissage actif place un modèle devant le jeu de données. Il évalue les données non étiquetées et indique quelles images méritent l’attention d’une personne, ce qui réduit le nombre d’étiquettes nécessaires. Acheter le premier outil alors qu’il te fallait le second est l’erreur d’achat la plus courante dans cette catégorie.

Son annotation intelligente propose des masques et des boîtes pour les tâches de détection, de segmentation et de boîtes orientées ; les jeux de données de pose et de classification sont toujours annotés à la main, ce qui mérite d’être vérifié en fonction de tes types de tâches. Ce n’est pas une solution universelle. Lightly et Voxel51 FiftyOne sont conçus spécialement pour la sélection, CVAT est le meilleur choix pour un flux de travail libre et auto-hébergé, tandis que Labelbox, Encord et SuperAnnotate offrent des mécanismes de révision d’entreprise plus poussés qu’une petite équipe de vision n’en utilisera.

Comparaison des outils d’auto-étiquetage et d’apprentissage actif#

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 annoter et aucun moyen raisonné de faire un choix, il te faut 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 des données qui utilise des représentations vectorielles pour déterminer quelles données non annotées 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. La solution s’attaque directement au problème de redondance des données vidéo, où des milliers d’images presque identiques augmentent les coûts sans apporter d’information.

Compromis. La sélection, plutôt que l’annotation, est au cœur de la solution ; elle est donc généralement associée à un outil d’étiquetage. Toutefois, LightlyStudio, la version actuelle publiée sous Apache-2.0, s’est élargie pour inclure aussi l’étiquetage. Vérifie donc le périmètre actuel au lieu de supposer que la solution 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 fondation ou d’un modèle déjà entraîné sur le projet ; les propositions s’améliorent donc avec le 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’affinement ; les réviseurs modifient ensuite le résultat manuellement. SAM 3 est sélectionné par défaut, tandis que des variantes plus légères de SAM 2.1 peuvent être choisies lorsque la rapidité d’interaction compte davantage que la précision des masques. La fonctionnalité couvre la détection, la segmentation, la segmentation sémantique et les boîtes orientées ; les jeux de données de pose et de classification sont annotés manuellement, mais la pose dispose de modèles de squelette pour les personnes, les mains, les chiens, les visages et les boîtes afin d’accélérer l’étape manuelle.

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. Aucune étape d’exportation, de conversion et d’importation ne sépare l’étiquetage de l’entraînement ; l’annotation manuelle couvre les six tâches de vision prises en charge par les modèles Ultralytics, et le jeu de données utilisé pour entraîner un modèle reste associé à celui-ci.

Compromis. La plateforme est conçue pour la vision par ordinateur ; les équipes qui étiquettent aussi du texte ou de l’audio ont donc besoin d’un outil distinct. Elle ne fournit ni main-d’œuvre humaine d’étiquetage gérée ni moteur de sélection fondé sur des représentations vectorielles pour un très grand ensemble non annoté. L’avantage de l’intégration a aussi un revers qu’il faut nommer : plus ton flux de travail repose sur une seule plateforme, plus il dépend d’un seul fournisseur ; c’est le même coût de dépendance que celui mentionné 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 cumulent des années d’expérience en production. Si la durée d’expérience est une exigence d’approvisionnement, 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 la qualité obtenue dépend du modèle sous-jacent ; les moteurs de recherche qui traitent ce sujet mettent d’ailleurs directement ces modèles en avant.

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 invite textuelle, ce qui permet de préannoter 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 ton vocabulaire ne correspond à rien sur le Web public.

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 de côté un jeu d’évaluation annoté à la main. Si ton jeu de test a été étiqueté automatiquement par la même famille de modèles que celle évaluée, tes métriques mesurent la concordance, pas la précision.
• Échantillonne et vérifie de nouveau. À chaque cycle, prélève un échantillon aléatoire d’étiquettes automatiques acceptées et annote-le indépendamment depuis zéro. 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.
• Assure le suivi de 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.