Simplifier l'annotation d'images avec la Ultralytics Platform

Ultralytics a récemment lancé la Ultralytics Platform, un environnement conçu pour accompagner tout le cycle de vie du développement en vision par ordinateur. La plateforme centralise les outils nécessaires à la gestion des différentes étapes des workflows d'IA visuelle, notamment la préparation des jeux de données, l'annotation d'images et de vidéos, l'entraînement de modèles et le déploiement.

Malgré une 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 raisons principales est que les modèles de vision par ordinateur dépendent fortement de la qualité des données sur lesquelles ils sont entraînés. Avant même de commencer l'entraînement, les jeux de données doivent être créés, organisés, examinés et étiquetés afin que le modèle apprenne ce qu'il doit détecter ou reconnaître.

Lorsque tu travailles avec des données visuelles, ce processus est connu sous le nom d'annotation de données, ou annotation d'images. Durant l'annotation d'images, des parties spécifiques d'une image sont marquées et se voient attribuer des étiquettes qui guident le modèle pendant l'entraînement.

Par exemple, si ton objectif est de détecter des chiens sur des images, les annotateurs peuvent dessiner des bounding boxes autour de chaque chien pour montrer où ils apparaissent. Dans des tâches plus détaillées, ils peuvent détourer la forme du chien à l'aide de masques de segmentation ou marquer des keypoints pour capturer sa posture. Ces exemples étiquetés influencent directement la performance du modèle une fois déployé.

Gérer les workflows d'annotation d'images à grande échelle peut être un défi. Les grands jeux de données nécessitent souvent des normes d'étiquetage cohérentes, une collaboration entre plusieurs annotateurs et des outils qui facilitent la révision et l'affinement des annotations.

La Ultralytics Platform rassemble tout cela avec un éditeur d'annotation intégré. Il prend en charge plusieurs types de tâches d'annotation et offre aux équipes un moyen plus simple d'étiqueter des données et de préparer des jeux de données de vision par ordinateur au sein d'un workflow unique.

Fig 1. Un aperçu de l'éditeur d'annotation dans la Ultralytics Platform (Source)

Dans cet article, nous explorerons comment l'éditeur d'annotation de la Ultralytics Platform aide les équipes à annoter efficacement les jeux de données et rationalise la préparation des données. Commençons !

Link to this sectionAnnotation de données en vision par ordinateur#

Avant d'explorer les outils d'annotation d'images disponibles sur la Ultralytics Platform, prenons un peu de recul pour comprendre ce qu'est l'annotation de données et pourquoi elle est importante dans la construction 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. Cependant, les images brutes ne fournissent pas à elles seules 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 via l'étiquetage de données, afin que le modèle puisse apprendre quels objets, formes ou modèles rechercher.

Durant l'annotation d'images, des éléments spécifiques au sein d'une image sont marqués et reçoivent des étiquettes décrivant ce que le modèle doit apprendre. Ces exemples étiquetés guident les modèles et algorithmes de deep learning pendant l'entraînement et les aident à reconnaître des modèles similaires lors du traitement de nouvelles images.

Différentes tâches de vision par ordinateur nécessitent différents types d'annotation d'images en fonction de l'application et du cas d'usage. Par exemple, les annotateurs peuvent dessiner des bounding boxes autour des objets pour la détection d'objets, détourer des régions sur une image pour la segmentation sémantique, définir des keypoints pour l'estimation de pose, ou attribuer des étiquettes à une image entière pour la classification.

Link to this sectionGérer et préparer les données#

Préparer des données pour des projets de vision par ordinateur implique souvent de travailler avec divers formats de fichiers et d'organiser des jeux de données. Cela inclut également de s'assurer que tout est prêt pour l'annotation et l'entraînement des algorithmes de machine learning. Dans de nombreux workflows, ce processus est réparti sur plusieurs outils, les données étant téléchargées, nettoyées et déplacées entre les systèmes avant de pouvoir être utilisées.

La Ultralytics Platform simplifie cela en gérant la préparation des données, l'entraînement de modèles et le déploiement au sein d'un environnement unique. Les équipes peuvent télécharger des images, des vidéos ou des archives de jeux de données, et bénéficier d'une approche entièrement personnalisable pour préparer leurs données avec des annotations manuelles ou automatisées par IA. La Ultralytics Platform prend en charge à la fois les données brutes et les formats standard comme YOLO et COCO, facilitant le démarrage de nouveaux projets. Elle donne également accès aux jeux de données existants sur la plateforme, y compris des jeux de données annotés que les équipes peuvent utiliser pour démarrer rapidement de nouveaux projets ou expériences.

Fig 2. Charge et gère tes jeux de données dans un environnement unique sur la Ultralytics Platform. (Source)

Une fois les données disponibles, tu peux les gérer directement sur la plateforme. Les développeurs peuvent examiner les images, surveiller la progression de l'annotation et utiliser des visualisations intégrées pour comprendre la distribution du jeu de données et identifier les lacunes potentielles.

La plateforme prend également en charge le versionnage des jeux de données, aidant les équipes à capturer des instantanés de leurs données au fur et à mesure qu'elles évoluent. Cela facilite le suivi des modifications, la comparaison des expériences et le maintien de la cohérence pendant l'entraînement.

Une fois les données préparées, les équipes peuvent passer à l'étape d'annotation des images, où elles sont étiquetées pour aider les modèles à apprendre ce qu'ils doivent détecter.

Link to this sectionAnnoter des jeux de données sur la Ultralytics Platform#

Une fois les données téléchargées, l'étape suivante est l'annotation. C'est ici que les données d'image sont étiquetées, posant les bases pour entraîner ensuite des modèles de vision par ordinateur. La Ultralytics Platform inclut des services d'annotation d'images intégrés via un éditeur d'annotation qui permet aux équipes d'étiqueter et de gérer des jeux de données directement au sein du même environnement.

L'éditeur d'annotation se déploie dans un espace de travail simple où tu peux examiner les images, ajouter des étiquettes et mettre à jour les annotations selon tes besoins. Tout est organisé au même endroit, ce qui facilite le maintien de la cohérence des jeux de données et leur préparation pour l'entraînement.

Les équipes peuvent télécharger des jeux de données et commencer à étiqueter des images directement dans le navigateur, en définissant et en gérant des classes d'annotation pour assurer la cohérence des étiquettes sur tout le jeu de données. Au fur et à mesure que les annotations sont créées, tu peux les examiner visuellement dans l'éditeur, facilitant ainsi la vérification de leur précision avant de passer à l'entraînement du modèle.

Link to this sectionOutils d'annotation d'images dans la Ultralytics Platform#

La Ultralytics Platform comprend également plusieurs fonctionnalités qui prennent en charge des workflows d'étiquetage de jeux de données efficaces, simplifiant le processus d'annotation à l'aide d'algorithmes avancés.

Voici quelques-unes des fonctionnalités clés disponibles dans la Ultralytics Platform :

• Annotation manuelle : Cette approche permet aux utilisateurs d'avoir un contrôle total et une flexibilité totale lors de la création d'annotations d'images, telles que des bounding boxes, des régions de segmentation ou des keypoints, directement sur les images.
• Étiquetage assisté par IA : Cette fonctionnalité génère automatiquement des suggestions d'annotation, réduisant le besoin d'étiquetage manuel. Elle utilise SAM (Segment Anything Model) pour détecter des objets ou des régions en un seul clic, rationalisant le processus d'annotation et aidant les utilisateurs à examiner et confirmer les suggestions avant de les ajouter au jeu de données.
• Édition d'annotation : À tout moment, tu peux modifier ou affiner les annotations d'images après leur création. Cela aide à corriger les erreurs d'étiquetage et à maintenir des étiquettes cohérentes dans tout le jeu de données tout au long du processus d'annotation.
• Gestion des classes : Les équipes et les développeurs solitaires peuvent définir et organiser les classes d'annotation utilisées pendant l'étiquetage des jeux de données. Cela aide à garder les étiquettes cohérentes à travers 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, la Ultralytics Platform aide les utilisateurs à annoter les images plus efficacement. Elle permet également la préparation de données d'entraînement de haute qualité pour des modèles de vision par ordinateur évolutifs.

Link to this sectionTypes de tâches d'annotation pris en charge#

Différents cas d'usage, comme l'assurance qualité des produits, nécessiteront différents types d'annotation selon ce qui doit être détecté dans les images ou vidéos. Comme nous l'avons évoqué ci-dessus, la Ultralytics Platform prend en charge cinq tâches de détection d'objets, chacune avec son propre type d'annotation.

Examinons de plus près les tâches d'annotation prises en charge sur la plateforme et comment elles peuvent être utilisées pour étiqueter des jeux de données.

Link to this sectionDétection d'objets#

La détection d'objets identifie et localise des objets au sein d'une image. Les annotateurs marquent chaque objet d'intérêt à l'aide de bounding boxes, indiquant où les éléments apparaissent dans l'image.

Dans l'éditeur d'annotation, cela se fait à l'aide de l'outil de bounding box. Tu peux entrer en « mode édition », cliquer et faire glisser pour dessiner un rectangle autour d'un objet, et attribuer une étiquette de classe depuis un menu déroulant.

Les bounding boxes peuvent être ajustées après leur création. Tu peux les redimensionner en faisant glisser le coin ou le bord, 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 à travers différentes scènes et conditions.

Fig 3. Annotation de détection d'objets utilisant des bounding boxes dans la Ultralytics Platform. (Source)

Link to this sectionSegmentation d'instance#

La segmentation d'instance fournit des annotations plus détaillées en définissant la forme exacte des objets au sein d'une image. Au lieu de dessiner une simple boîte, les annotateurs tracent les limites de l'objet à l'aide d'une annotation polygonale pour créer des masques précis pour les tâches de segmentation d'image.

L'éditeur d'annotation inclut un outil de polygone pour cette tâche. Les annotateurs placent plusieurs sommets autour des bords d'un objet pour souligner sa 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 limites de l'objet, et les sommets peuvent être supprimés si nécessaire. Ces annotations au niveau des pixels aident les modèles à apprendre des structures visuelles détaillées et à distinguer les objets qui apparaissent proches les uns des autres.

Link to this sectionEstimation de pose#

Les annotations d'estimation de pose capturent les positions des articulations corporelles et les relations entre elles. Cela aide les modèles à comprendre la structure et le mouvement des personnes ou des animaux dans une image.

En utilisant l'outil de keypoint, les annotateurs placent des keypoints qui représentent des articulations corporelles 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 de boîte.

Les modèles permettent de placer une disposition de squelette complète en un seul clic, après quoi les keypoints individuels peuvent être ajustés pour correspondre à la pose dans l'image. Chaque keypoint peut également inclure un indicateur de visibilité pour indiquer s'il est visible ou occlus.

Fig 4. Annotation d'estimation de pose utilisant des keypoints et des modèles de squelette. (Source)

Link to this sectionBounding boxes orientées (OBB)#

Les bounding boxes orientées vont plus loin que les bounding boxes traditionnelles en prenant en charge la rotation. Ce type d'annotation est utile lorsque les objets apparaissent selon des angles différents plutôt que d'être alignés avec le cadre de l'image.

Dans l'éditeur d'annotation, tu peux utiliser l'outil de bounding box orientée pour dessiner des rectangles pivotés autour des objets. Après avoir dessiné la boîte initiale, une poignée de rotation peut être utilisée pour ajuster l'angle, tandis que les poignées de coin permettent de redimensionner la boîte.

Les annotations pivotées sont souvent utilisées dans l'imagerie aérienne, les jeux de données d'inspection industrielle et d'autres scénarios où les objets apparaissent en diagonale ou sous des points de vue différents.

Fig 5. Annotation de bounding box orientée (OBB) pour les objets pivotés dans des images aériennes. (Source)

Link to this sectionClassification d'images#

La classification d'images attribue une étiquette à une image entière plutôt que de marquer des objets individuels en son sein.

Pour les jeux de données de classification, l'éditeur d'annotation fournit un panneau de sélection de classe. Tu peux attribuer des étiquettes aux images en sélectionnant une classe depuis la barre latérale ou en utilisant des raccourcis clavier pour un étiquetage plus rapide.

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

Link to this sectionAnnotation assistée par IA avec SAM#

L'étiquetage d'images pour des tâches comme la segmentation nécessite souvent un travail minutieux et détaillé, surtout lorsque les objets doivent être détourés précisément. La Ultralytics Platform inclut des outils d'annotation assistée par IA qui accélèrent le processus tout en gardant les annotations précises et faciles à examiner.

Par exemple, tu peux interagir avec une image en cliquant sur des parties d'un objet que tu souhaites inclure dans l'annotation. Tu peux également marquer des zones à exclure pour affiner le résultat. Sur la base de ces entrées, le modèle génère un masque de segmentation en temps réel, qui peut ensuite être examiné et ajusté avant d'être enregistré.

Cette approche facilite le travail sur des images complexes sans avoir à tracer manuellement chaque détail. En même temps, les annotateurs gardent le contrôle du résultat final, garantissant que les annotations restent cohérentes à travers le jeu de données.

Fig 6. Segmentation assistée par IA utilisant l'outil d'annotation intelligent dans la Ultralytics Platform. (Source)

Ces fonctionnalités sont propulsées par Segment Anything Models (SAM). Ces modèles font partie d'un écosystème plus large d'outils open source de vision par ordinateur conçus pour générer des segmentations de haute qualité à partir d'un minimum d'entrées. La plateforme prend en charge plusieurs variantes de SAM, notamment SAM 2.1 et SAM 3. Cela donne aux équipes la flexibilité de choisir entre une performance plus rapide et des résultats plus détaillés en fonction de leurs besoins.

Ces outils assistés par IA peuvent être appliqués à des tâches telles que la détection d'objets, la segmentation d'instance et la détection par bounding box orientée. Cela signifie que les équipes peuvent traiter de grands jeux de données plus efficacement tout en maintenant la qualité requise pour un entraînement de modèle fiable.

Link to this sectionAmélioration des workflows d'annotation avec des outils intégrés#

Au fur et à mesure que le travail d'annotation progresse, il est courant de revenir en arrière et d'ajuster les étiquettes, de corriger des erreurs ou d'examiner les images plus attentivement. L'éditeur d'annotation Ultralytics inclut des outils intégrés qui rendent ces tâches quotidiennes plus faciles à gérer et 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, telles que l'enregistrement des annotations, l'annulation ou le rétablissement des modifications, la suppression d'étiquettes et la sélection de classes pendant l'annotation.
• Historique d'annulation et de rétablissement : Tu peux facilement inverser ou restaurer les modifications effectuées lors d'une session d'édition. Cela aide les équipes à expérimenter avec des annotations et à corriger rapidement les erreurs sans perdre de progression, favorisant un meilleur contrôle qualité pendant la préparation des jeux de données.
• Édition d'annotation flexible : Les annotations peuvent être ajustées même après leur création. Tu peux redimensionner des formes, déplacer des annotations, faire pivoter des bounding boxes orientées ou mettre à jour les étiquettes de classe selon tes besoins, surtout lors de l'affinement d'objets aux formes irrégulières.
• Contrôles de visibilité : L'éditeur inclut des bascules de visibilité qui te permettent d'afficher ou de masquer les annotations et les étiquettes de classe, rendant plus facile l'inspection des images pendant l'étiquetage.
• Outils de précision : Des fonctionnalités comme le zoom et un curseur en croix avec coordonnées de pixels aident les annotateurs à placer les étiquettes avec plus de précision lorsqu'ils travaillent sur des images détaillées.

Link to this sectionGestion des classes d'annotation sur la Ultralytics Platform#

Des classes d'annotation claires et cohérentes jouent un rôle important dans la construction de jeux de données de vision par ordinateur fiables. À mesure que les projets grandissent, gérer l'étiquetage des données sur de grands jeux de données peut devenir difficile, surtout lorsque plusieurs annotateurs sont impliqués. Garder les classes bien organisées aide à s'assurer que les annotations restent cohérentes et que les modèles apprennent à partir de données structurées.

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

Au sein de l'éditeur, toutes les classes sont disponibles dans une barre latérale à côté du canevas d'annotation. Cela facilite la sélection de la bonne étiquette pendant l'annotation et le suivi de la manière dont les classes sont utilisées à travers le jeu de données. Tu peux rechercher des classes existantes ou en créer de nouvelles selon tes besoins, sans interrompre ton 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 rendre les différentes classes plus faciles à identifier à travers les annotations. L'éditeur montre également combien d'annotations sont liées à chaque classe et permet aux utilisateurs de les examiner, aidant les équipes à vérifier la cohérence et la précision.

Toutes les classes sont gérées via un tableau centralisé où elles peuvent être triées, recherchées et mises à jour. Toute modification effectuée ici est automatiquement appliquée à travers le jeu de données, aidant les équipes à maintenir la cohérence au fur et à mesure que les projets d'annotation passent à l'échelle.

Fig 7. La gestion des classes dans l'éditeur d'annotation montre l'organisation des étiquettes et la personnalisation des couleurs. (Source)

Link to this sectionComment la qualité de l'annotation affecte la performance en conditions réelles#

À mesure que les systèmes de vision par ordinateur passent du développement à l'utilisation en conditions réelles, la qualité des données annotées joue un rôle clé dans la performance des modèles. Des jeux de données bien étiquetés aident les modèles à produire des prédictions plus précises et cohérentes, surtout dans des environnements dynamiques ou imprévisibles.

En pratique, même de petites incohérences dans l'annotation peuvent affecter le comportement du modèle. Les différences dans la manière dont les objets sont étiquetés ou dont les cas limites sont traités peuvent ne pas être évidentes pendant l'entraînement, mais peuvent conduire à des prédictions moins fiables une fois les systèmes déployés.

En plus de cela, ces incohérences peuvent devenir plus visibles dans les applications réelles. 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 maintenant 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 construire des modèles qui fonctionnent de manière plus fiable au-delà des environnements de test contrôlés.

Link to this sectionPoints clés#

Une annotation de données de haute qualité est essentielle pour entraîner des modèles de vision par ordinateur précis et soutenir des projets d'annotation d'images réussis. La Ultralytics Platform simplifie ce processus avec un puissant éditeur d'annotation qui prend en charge plusieurs tâches de vision. En combinant des outils d'annotation manuelle avec l'étiquetage assisté par IA utilisant SAM et des fonctionnalités de workflow intégrées, les équipes peuvent préparer des jeux de données plus efficacement et passer plus rapidement de la préparation des données au développement de modèles.

Rejoins notre communauté et explore le GitHub repository pour en apprendre davantage sur les modèles de vision par ordinateur. Lis des informations sur des applications comme l'IA dans l'automobile et la vision par ordinateur dans la robotique sur nos pages solutions. Jette un œil à nos options de licence et commence à construire ton propre modèle d'IA visuelle.