Simplifier l’annotation d’images avec Ultralytics Platform

Ultralytics a récemment présenté Ultralytics Platform, un environnement conçu pour prendre en charge l’ensemble du cycle de vie du développement en vision par ordinateur. La plateforme centralise les outils utilisés pour gérer les différentes étapes des workflows d’IA visuelle, notamment la préparation des jeux de données, l’annotation d’images et de vidéos, l’entraînement des modèles et leur déploiement.

Malgré son adoption croissante dans des secteurs comme la conduite autonome et la santé, la création de solutions de vision par ordinateur peut encore être perçue comme un processus fragmenté. L’une des principales raisons est que les modèles de vision par ordinateur dépendent fortement de la qualité des données sur lesquelles ils sont entraînés. Avant même le début de l’entraînement, les jeux de données doivent être créés, organisés, vérifiés et étiquetés afin que le modèle puisse apprendre ce qu’il doit détecter ou reconnaître.

Lorsqu’on travaille avec des données visuelles, ce processus est appelé annotation des données, ou annotation d’images. Pendant l’annotation d’images, des parties spécifiques d’une image sont marquées et associées à des étiquettes qui guident le modèle pendant l’entraînement.

Par exemple, si l’objectif est de détecter des chiens dans des images, les annotateurs peuvent dessiner des boîtes englobantes autour de chaque chien pour indiquer où il apparaît. Pour des tâches plus détaillées, ils peuvent délimiter la forme du chien à l’aide de masques de segmentation ou marquer des points clés pour capturer sa posture. Ces exemples étiquetés influencent directement les performances du modèle une fois celui-ci déployé.

La gestion des workflows d’annotation d’images à grande échelle peut être difficile. Les grands jeux de données nécessitent souvent des normes d’étiquetage cohérentes, une collaboration entre plusieurs annotateurs et des outils qui facilitent la vérification et l’amélioration des annotations.

Ultralytics Platform regroupe ces fonctionnalités grâce à un éditeur d’annotations intégré. Il prend en charge plusieurs types de tâches d’annotation et offre aux équipes un moyen plus simple d’étiqueter les données et de préparer des jeux de données de vision par ordinateur dans un workflow unique.

Fig. 1. Aperçu de l’éditeur d’annotations dans Ultralytics Platform (Source)

Dans cet article, nous allons découvrir comment l’éditeur d’annotations d’Ultralytics Platform aide les équipes à annoter efficacement les jeux de données et simplifie la préparation des données. Commençons !

Annotation des données en vision par ordinateur#

Avant d’examiner les outils d’annotation d’images disponibles sur Ultralytics Platform, prenons un peu de recul pour comprendre ce qu’est l’annotation des données et pourquoi elle est importante dans la création de systèmes de vision par ordinateur.

Les modèles de vision par ordinateur apprennent en analysant de grandes collections d’images ou de vidéos appelées jeux de données. Toutefois, les images brutes seules ne fournissent pas suffisamment d’informations pour qu’un modèle comprenne ce qu’il doit détecter ou reconnaître. Pour rendre les données utiles à l’entraînement, les images doivent être étiquetées au moyen de l’étiquetage des données afin que le modèle puisse apprendre quels objets, formes ou motifs rechercher.

Pendant l’annotation d’images, des éléments spécifiques d’une image sont marqués et associés à des étiquettes décrivant ce que le modèle doit apprendre. Ces exemples étiquetés guident les modèles et algorithmes d’apprentissage profond pendant l’entraînement et les aident à reconnaître des motifs similaires lors du traitement de nouvelles images.

Les différentes tâches de vision par ordinateur nécessitent différents types d’annotation d’images selon l’application et le cas d’utilisation. Par exemple, les annotateurs peuvent dessiner des boîtes englobantes autour des objets pour la détection d’objets, délimiter des régions dans une image pour la segmentation sémantique, définir des points clés pour l’estimation de pose ou attribuer une étiquette à une image entière pour la classification.

Gestion et préparation des données#

La préparation des données pour les projets de vision par ordinateur implique souvent de travailler avec différents formats de fichiers et d’organiser les jeux de données. Elle consiste également à s’assurer que tout est prêt pour l’annotation et l’entraînement des algorithmes d’apprentissage automatique. Dans de nombreux workflows, ce processus est réparti entre plusieurs outils : les données sont téléversées, nettoyées et transférées entre différents systèmes avant de pouvoir être utilisées.

Ultralytics Platform simplifie ce processus en gérant la préparation des données, l’entraînement des modèles et le déploiement dans un environnement unique. Les équipes peuvent téléverser des images, des vidéos ou des archives de jeux de données et profiter d’une approche entièrement personnalisable pour préparer leurs données avec des annotations manuelles ou automatisées par l’IA. Ultralytics Platform prend en charge les données brutes ainsi que des formats standards comme YOLO et COCO, ce qui facilite le démarrage de nouveaux projets. La plateforme donne également accès aux jeux de données existants, notamment aux jeux de données annotés que les équipes peuvent utiliser pour lancer rapidement de nouveaux projets ou expérimentations.

Fig. 2. Téléverser et gérer des jeux de données dans un environnement unique sur Ultralytics Platform. (Source)

Une fois les données disponibles, elles peuvent être gérées directement sur la plateforme. Les développeurs peuvent examiner les images, suivre l’avancement de l’annotation et utiliser les visualisations intégrées pour comprendre la distribution du jeu de données et repérer les éventuelles lacunes.

La plateforme prend également en charge le versionnage des jeux de données, ce qui aide les équipes à conserver des instantanés de leurs données au fil de leur évolution. Il devient ainsi plus facile de suivre les modifications, de comparer les expérimentations et de maintenir la cohérence pendant l’entraînement.

Une fois les données préparées, les équipes peuvent passer à l’annotation des images, qui sont étiquetées pour aider les modèles à apprendre ce qu’ils doivent détecter.

Annoter des jeux de données sur Ultralytics Platform#

Une fois les données téléversées, l’étape suivante est l’annotation. C’est à ce moment que les données d’image sont étiquetées, jetant les bases de l’entraînement ultérieur des modèles de vision par ordinateur. Ultralytics Platform inclut des services intégrés d’annotation d’images grâce à un éditeur d’annotations qui permet aux équipes d’étiqueter et de gérer les jeux de données directement dans le même environnement.

L’éditeur d’annotations se présente sous la forme d’un espace de travail simple où les utilisateurs peuvent examiner les images, ajouter des étiquettes et mettre à jour les annotations selon leurs besoins. Tout est organisé au même endroit, ce qui facilite le maintien de jeux de données cohérents et prêts pour l’entraînement des modèles.

Les équipes peuvent téléverser des jeux de données et commencer à étiqueter les images directement dans le navigateur, en définissant et en gérant les classes d’annotation pour garantir la cohérence des étiquettes dans tout le jeu de données. Au fur et à mesure de leur création, les annotations peuvent être vérifiées visuellement dans l’éditeur, ce qui facilite le contrôle de leur exactitude avant de passer à l’entraînement du modèle.

Outils d’annotation d’images dans Ultralytics Platform#

Ultralytics Platform inclut également plusieurs fonctionnalités qui prennent en charge des workflows efficaces d’étiquetage des jeux de données et simplifient le processus d’annotation grâce à des algorithmes avancés.

Voici quelques-unes des principales fonctionnalités disponibles dans Ultralytics Platform :

• Annotation manuelle : cette approche permet aux utilisateurs de bénéficier d’un contrôle et d’une flexibilité complets lors de la création d’annotations d’images, comme des boîtes englobantes, des régions de segmentation ou des points clés, directement sur les images.
• Étiquetage assisté par l’IA : cette fonctionnalité génère automatiquement des annotations suggérées, ce qui réduit le besoin d’étiquetage manuel. Elle utilise SAM (modèle Segment Anything) pour détecter des objets ou des régions en un seul clic, simplifiant le processus d’annotation et aidant les utilisateurs à vérifier et confirmer les suggestions avant de les ajouter au jeu de données.
• Modification des annotations : à tout moment, les utilisateurs peuvent modifier ou affiner les annotations d’images après leur création. Cela permet de corriger les erreurs d’étiquetage et de maintenir la cohérence des étiquettes du jeu de données tout au long du processus d’annotation.
• Gestion des classes : les équipes et les développeurs indépendants peuvent définir et organiser les classes d’annotation utilisées pendant l’étiquetage des jeux de données. Cela aide à maintenir la cohérence des étiquettes entre les images, ce qui est important pour entraîner des modèles capables de reconnaître et de différencier précisément les classes.

En combinant outils manuels, intelligence artificielle et automatisation, Ultralytics Platform aide les utilisateurs à annoter les images plus efficacement. Elle permet également de préparer des données d’entraînement de haute qualité pour des modèles de vision par ordinateur évolutifs.

Types de tâches d’annotation pris en charge#

Différents cas d’utilisation, comme l’assurance qualité des produits, nécessitent différents types d’annotation selon ce qui doit être détecté dans les images ou les vidéos. Comme indiqué précédemment, Ultralytics Platform prend en charge cinq tâches de détection d’objets, chacune ayant son propre type d’annotation.

Examinons plus attentivement les tâches d’annotation prises en charge sur la plateforme et la manière dont elles peuvent être utilisées pour étiqueter les jeux de données.

Détection d’objets#

La détection d’objets identifie et localise les objets dans une image. Les annotateurs marquent chaque objet d’intérêt à l’aide de boîtes englobantes, indiquant où les éléments apparaissent dans l’image.

Dans l’éditeur d’annotations, cela s’effectue avec l’outil de boîte englobante. Les utilisateurs peuvent passer en « mode édition », cliquer et faire glisser le curseur pour dessiner un rectangle autour d’un objet, puis lui attribuer une étiquette de classe depuis un menu déroulant.

Les boîtes englobantes peuvent être ajustées après leur création. Les annotateurs peuvent les redimensionner en faisant glisser les poignées des coins ou des bords, les déplacer en faisant glisser le centre de la boîte ou les supprimer à l’aide de raccourcis clavier. Ces annotations aident les modèles de vision à apprendre à détecter des objets dans différentes scènes et conditions.

Fig. 3. Annotation de détection d’objets à l’aide de boîtes englobantes dans Ultralytics Platform. (Source)

Segmentation d’instances#

La segmentation d’instances fournit des annotations plus détaillées en définissant la forme exacte des objets dans une image. Au lieu de dessiner une simple boîte, les annotateurs suivent les contours de l’objet à l’aide d’une annotation polygonale afin de créer des masques précis pour les tâches de segmentation d’images.

L’éditeur d’annotations inclut un outil polygone pour cette tâche. Les annotateurs placent plusieurs sommets le long des contours d’un objet afin d’en délimiter la forme. Une fois les sommets placés, le polygone peut être fermé pour créer un masque de segmentation.

Les sommets peuvent être ajustés après la création du polygone. Les points individuels peuvent être déplacés pour affiner les contours de l’objet, et les sommets peuvent être supprimés si nécessaire. Ces annotations au niveau du pixel aident les modèles à apprendre des structures visuelles détaillées et à distinguer les objets proches les uns des autres.

Estimation de pose#

Les annotations d’estimation de pose capturent la position des articulations du corps et les relations entre elles. Cela aide les modèles à comprendre la structure et les mouvements des personnes ou des animaux dans une image.

À l’aide de l’outil de points clés, les annotateurs placent des points clés représentant des articulations telles que les épaules, les coudes, les poignets, les hanches, les genoux et les chevilles. La plateforme prend en charge plusieurs modèles de squelettes intégrés, notamment le format de pose humaine COCO à 17 points ainsi que des modèles pour les mains, les visages, les chiens et les coins des boîtes.

Les modèles permettent de placer une structure complète du squelette en un seul clic, après quoi les points clés individuels peuvent être ajustés pour correspondre à la pose dans l’image. Chaque point clé peut également inclure un indicateur de visibilité précisant s’il est visible ou occulté.

Fig. 4. Annotation d’estimation de pose à l’aide de points clés et de modèles de squelettes. (Source)

Boîtes englobantes orientées (OBB)#

Les boîtes englobantes orientées vont plus loin que les boîtes englobantes traditionnelles en prenant en charge la rotation. Ce type d’annotation est utile lorsque les objets apparaissent selon un angle plutôt que parallèlement au cadre de l’image.

Dans l’éditeur d’annotations, les annotateurs peuvent utiliser l’outil de boîte englobante orientée pour dessiner des rectangles pivotés autour des objets. Après avoir tracé la boîte initiale, une poignée de rotation permet d’ajuster l’angle, tandis que les poignées des coins permettent de redimensionner la boîte.

Les annotations pivotées sont souvent utilisées pour les images aériennes, les jeux de données d’inspection industrielle et d’autres scénarios où les objets apparaissent en diagonale ou depuis différents points de vue.

Fig. 5. Annotation de boîtes englobantes orientées (OBB) pour des objets pivotés dans des images aériennes. (Source)

Classification d’images#

La classification d’images attribue une étiquette à une image entière plutôt que de marquer les objets individuels qu’elle contient.

Pour les jeux de données de classification, l’éditeur d’annotations fournit un panneau de sélection des classes. Les annotateurs peuvent attribuer des étiquettes aux images en sélectionnant une classe dans la barre latérale ou en utilisant des raccourcis clavier pour accélérer l’étiquetage.

Ces étiquettes au niveau de l’image aident les modèles à apprendre des motifs visuels de haut niveau représentant différentes catégories.

Annotation assistée par l’IA avec SAM#

L’étiquetage d’images pour des tâches comme la segmentation nécessite souvent un travail minutieux et détaillé, en particulier lorsque les objets doivent être délimités avec précision. Ultralytics Platform inclut des outils d’annotation assistés par l’IA qui accélèrent le processus tout en conservant des annotations précises et faciles à vérifier.

Par exemple, les annotateurs peuvent interagir avec une image en cliquant sur les parties d’un objet qu’ils souhaitent inclure dans l’annotation. Ils peuvent également marquer les zones à exclure afin d’affiner le résultat. À partir de ces indications, le modèle génère un masque de segmentation en temps réel, qui peut ensuite être vérifié et ajusté avant son enregistrement.

Cette approche facilite le traitement d’images complexes sans devoir suivre manuellement chaque détail. Les annotateurs gardent toutefois le contrôle du résultat final, ce qui garantit la cohérence des annotations dans tout le jeu de données.

Fig. 6. Segmentation assistée par l’IA à l’aide de l’outil d’annotation intelligente dans Ultralytics Platform. (Source)

Ces fonctionnalités reposent sur les modèles Segment Anything (SAM). Ces modèles font partie d’un écosystème plus vaste d’outils de vision par ordinateur open source conçus pour générer des segmentations de haute qualité à partir d’un minimum d’informations. La plateforme prend en charge plusieurs variantes de SAM, notamment SAM 2.1 et SAM 3. Les équipes peuvent ainsi choisir entre des performances plus rapides et des résultats plus détaillés selon leurs besoins.

Ces outils assistés par l’IA peuvent être appliqués à des tâches telles que la détection d’objets, la segmentation d’instances et la détection par boîtes englobantes orientées. Les équipes peuvent ainsi traiter plus efficacement de grands jeux de données tout en maintenant la qualité nécessaire à un entraînement fiable des modèles.

Améliorer les workflows d’annotation avec des outils intégrés#

À mesure que le travail d’annotation progresse, il est courant de revenir sur les étiquettes pour les ajuster, de corriger les erreurs ou d’examiner les images plus attentivement. L’éditeur d’annotations d’Ultralytics inclut des outils intégrés qui facilitent ces tâches courantes et les rendent moins chronophages.

Voici quelques-unes des fonctionnalités de workflow disponibles dans l’éditeur :

• Raccourcis clavier : l’éditeur inclut des raccourcis qui accélèrent les actions courantes, comme l’enregistrement des annotations, l’annulation ou le rétablissement des modifications, la suppression des étiquettes et la sélection des classes pendant l’annotation.
• Historique des annulations et rétablissements : les annotateurs peuvent facilement annuler ou restaurer les modifications effectuées pendant une session d’édition. Cela aide les équipes à expérimenter avec les annotations et à corriger rapidement les erreurs sans perdre leur progression, tout en favorisant un meilleur contrôle qualité lors de la préparation des jeux de données.
• Modification flexible des annotations : les annotations peuvent être ajustées même après leur création. Les utilisateurs peuvent redimensionner les formes, déplacer les annotations, faire pivoter les boîtes englobantes orientées ou mettre à jour les étiquettes de classe selon leurs besoins, notamment lorsqu’ils affinent des objets aux formes irrégulières.
• Contrôles de visibilité : l’éditeur inclut des options de visibilité qui permettent aux utilisateurs d’afficher ou de masquer les annotations et les étiquettes de classe, ce qui facilite l’inspection des images pendant l’étiquetage.
• Outils de précision : des fonctionnalités comme le zoom et un curseur en forme de réticule avec des coordonnées de pixel aident les annotateurs à placer les étiquettes avec davantage de précision lorsqu’ils travaillent sur des images détaillées.

Gérer les classes d’annotation sur Ultralytics Platform#

Des classes d’annotation claires et cohérentes jouent un rôle important dans la création de jeux de données fiables pour la vision par ordinateur. À mesure que les projets se développent, la gestion de l’étiquetage des données sur de grands jeux de données peut devenir difficile, en particulier lorsque plusieurs annotateurs sont impliqués. Des classes bien organisées contribuent à garantir la cohérence des annotations et permettent aux modèles d’apprendre à partir de données structurées.

Ultralytics Platform simplifie ce processus en intégrant directement la gestion des classes dans l’éditeur d’annotations. Au lieu de gérer les étiquettes séparément, les équipes peuvent créer, mettre à jour et vérifier les classes tout en travaillant sur les images, ce qui facilite le maintien de la cohérence tout au long du workflow d’annotation.

Dans l’éditeur, toutes les classes sont disponibles dans une barre latérale située à côté de la zone d’annotation. Il est ainsi facile de sélectionner la bonne étiquette pendant l’annotation et de suivre l’utilisation des classes dans tout le jeu de données. Les utilisateurs peuvent rechercher des classes existantes ou en créer de nouvelles selon leurs besoins, sans interrompre leur workflow.

Les détails des classes peuvent également être mis à jour à tout moment. Les noms peuvent être modifiés directement et des couleurs peuvent être attribuées pour faciliter l’identification des différentes classes dans les annotations. L’éditeur indique également le nombre d’annotations associées à chaque classe et permet aux utilisateurs de les vérifier, ce qui aide les équipes à contrôler leur cohérence et leur exactitude.

Toutes les classes sont gérées dans un tableau centralisé où elles peuvent être triées, recherchées et mises à jour. Toute modification effectuée ici est automatiquement appliquée à l’ensemble du jeu de données, ce qui aide les équipes à maintenir la cohérence à mesure que les projets d’annotation prennent de l’ampleur.

Fig. 7. La gestion des classes dans l’éditeur d’annotations présente l’organisation des étiquettes et la personnalisation des couleurs. (Source)

Comment la qualité des annotations influence les performances en conditions réelles#

Lorsque les systèmes de vision par ordinateur passent du développement à l’utilisation dans le monde réel, la qualité des données annotées joue un rôle essentiel dans les performances des modèles. Des jeux de données correctement étiquetés aident les modèles à produire des prédictions plus précises et plus cohérentes, en particulier dans des environnements dynamiques ou imprévisibles.

En pratique, même de petites incohérences dans les annotations peuvent affecter le comportement du modèle. Des différences dans la manière dont les objets sont étiquetés ou dont les cas particuliers sont traités peuvent ne pas être visibles pendant l’entraînement, mais entraîner des prédictions moins fiables une fois les systèmes déployés.

De plus, ces incohérences peuvent devenir plus visibles dans les applications du monde réel. Par exemple, dans les systèmes de robotique et de santé, les modèles s’appuient sur des entrées visuelles pour détecter des objets et guider des actions en temps réel. Les variations dans l’étiquetage peuvent influencer la précision avec laquelle ces systèmes interprètent leur environnement.

En appliquant des pratiques d’annotation cohérentes et en utilisant des plateformes comme Ultralytics pour gérer et affiner les jeux de données au fil du temps, les équipes peuvent créer des modèles plus fiables au-delà des environnements de test contrôlés.

Points clés à retenir#

Une annotation de données de haute qualité est essentielle pour entraîner des modèles de vision par ordinateur précis et mener à bien des projets d’annotation d’images. Ultralytics Platform simplifie ce processus grâce à un éditeur d’annotations puissant qui prend en charge plusieurs tâches de vision. En combinant des outils d’annotation manuelle avec l’étiquetage assisté par l’IA à l’aide de SAM et des fonctionnalités de workflow intégrées, les équipes peuvent préparer leurs jeux de données plus efficacement et accélérer le passage de la préparation des données au développement des modèles.

Rejoins notre communauté et explore le dépôt GitHub pour en savoir plus sur les modèles de vision par ordinateur. Découvre des applications comme l’IA dans l’automobile et la vision par ordinateur en robotique sur nos pages consacrées aux solutions. Consulte nos options de licence et commence à créer ton propre modèle d’IA visuelle.