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 le 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 sembler fragmentée. L’une des principales raisons est que les modèles de vision par ordinateur dépendent fortement de la qualité des données utilisées pour leur entraînement. Avant même de commencer l’entraînement, les jeux de données doivent être créés, organisés, examinés et annotés afin que le modèle apprenne ce qu’il doit détecter ou reconnaître.

Lorsqu’on travaille avec des données visuelles, ce processus est appelé annotation de données ou annotation d’images. Lors de l’annotation d’images, des zones précises de l’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 cadres de sélection autour de chaque chien pour indiquer où il se trouve. 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 représenter sa posture. Ces exemples annotés influencent directement les performances du modèle une fois déployé.

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

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

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

Dans cet article, nous allons voir comment l’éditeur d’annotation d’Ultralytics Platform aide les équipes à annoter efficacement les jeux de données et simplifie la préparation des données. C’est parti !

L’annotation de 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 de données et pourquoi elle est importante pour créer des 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 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 annotées afin que le modèle apprenne quels objets, formes ou motifs rechercher.

Lors de l’annotation d’images, des éléments précis de l’image sont marqués et associés à des étiquettes qui décrivent ce que le modèle doit apprendre. Ces exemples annotés guident les modèles et les algorithmes de deep learning pendant l’entraînement et les aident à reconnaître des motifs similaires lorsqu’ils traitent de nouvelles images.

Les différentes tâches de vision par ordinateur nécessitent différents types d’annotation d’images, selon l’application et le cas d’usage. Par exemple, les annotateurs peuvent dessiner des cadres de sélection autour des objets pour la détection d’objets, délimiter des zones d’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 de machine learning. Dans de nombreux workflows, ce processus s’appuie sur plusieurs outils : les données sont téléversées, nettoyées et transférées entre systèmes avant de pouvoir être utilisées.

Ultralytics Platform simplifie ce processus en prenant en charge 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 à l’aide d’annotations manuelles ou automatisées par l’IA. Ultralytics Platform prend en charge les données brutes et les formats standards comme YOLO et COCO, ce qui facilite le lancement 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 démarrer rapidement de nouveaux projets ou de nouvelles expériences.

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

Une fois les données disponibles, tu peux les gérer directement sur la plateforme. Les développeurs peuvent examiner les images, suivre la progression 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 la gestion des versions des jeux de données, ce qui aide les équipes à enregistrer des instantanés de leurs données à mesure qu’elles évoluent. Il est ainsi plus facile de suivre les modifications, de comparer les expériences et de maintenir la cohérence pendant l’entraînement.

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

Annotation de jeux de données sur Ultralytics Platform#

Une fois les données téléversées, l’étape suivante est l’annotation. Les données visuelles sont alors étiquetées, posant ainsi les bases de l’entraînement des modèles de vision par ordinateur. Ultralytics Platform intègre des services d’annotation d’images grâce à un éditeur qui permet aux équipes d’annoter et de gérer leurs jeux de données directement dans le même environnement.

L’éditeur d’annotation propose 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 la cohérence des jeux de données et leur préparation à l’entraînement des modèles.

Les équipes peuvent téléverser des jeux de données et commencer à annoter les images directement dans le navigateur, tout en définissant et en gérant des classes d’annotation afin d’assurer la cohérence des étiquettes dans l’ensemble du jeu de données. Au fur et à mesure de la création des annotations, les utilisateurs peuvent les examiner visuellement dans l’éditeur, ce qui facilite la vérification de leur précision avant de passer à l’entraînement des modèles.

Outils d’annotation d’images dans Ultralytics Platform#

Ultralytics Platform intègre également plusieurs fonctionnalités qui facilitent les workflows d’annotation efficaces des jeux de données, en simplifiant le processus grâce à des algorithmes avancés.

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

• Annotation manuelle : cette approche donne aux utilisateurs un contrôle total et une grande flexibilité pour annoter directement les images, par exemple en créant des cadres de sélection, des régions de segmentation ou des points clés.
• Annotation assistée par l’IA : cette fonctionnalité génère automatiquement des annotations suggérées, ce qui réduit le besoin d’annotation manuelle. Elle utilise SAM (modèle Segment Anything) pour détecter des objets ou des régions en un seul clic, simplifie le processus d’annotation et permet aux utilisateurs d’examiner et de confirmer les suggestions avant de les ajouter au jeu de données.
• Modification des annotations : les utilisateurs peuvent à tout moment modifier ou affiner les annotations d’images après leur création. Cette fonctionnalité permet de corriger les erreurs d’annotation et de maintenir la cohérence des étiquettes du jeu de données tout au long du processus.
• Gestion des classes : les équipes et les développeurs indépendants peuvent définir et organiser les classes d’annotation utilisées lors de l’étiquetage des jeux de données. Cela permet de garder les étiquettes cohérentes d’une image à l’autre, ce qui est important pour entraîner des modèles capables de reconnaître et de distinguer les classes avec précision.

En associant outils manuels, intelligence artificielle et automatisation, Ultralytics Platform aide les utilisateurs à annoter les images plus efficacement. La plateforme 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’usage, comme l’assurance qualité des produits, nécessitent différents types d’annotation selon les éléments à détecter dans les images ou les vidéos. Comme nous l’avons vu plus haut, Ultralytics Platform prend en charge cinq tâches de détection d’objets, chacune ayant son propre type d’annotation.

Examinons de plus près les tâches d’annotation prises en charge par la plateforme et la façon dont elles peuvent servir à 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 cadres de sélection qui indiquent où les éléments apparaissent dans l’image.

Dans l’éditeur d’annotation, cette opération s’effectue avec l’outil de cadre de sélection. 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 cadres de sélection peuvent être ajustés 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 du cadre ou les supprimer à l’aide de raccourcis clavier. Ces annotations aident les modèles de vision à apprendre à détecter les objets dans différentes scènes et conditions.

Fig. 3. Annotation de détection d’objets à l’aide de cadres de délimitation sur 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 un simple cadre, les annotateurs suivent les contours de l’objet à l’aide d’une annotation polygonale pour créer des masques précis destinés aux tâches de segmentation d’images.

L’éditeur d’annotations comprend un outil polygone pour cette tâche. Les annotateurs placent plusieurs sommets le long des contours d’un objet pour 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. Il est possible de déplacer des points individuels pour affiner les contours des objets et de supprimer des sommets 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 enregistrent la position des articulations du corps et les relations entre elles. Elles aident 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 les articulations du corps, comme les épaules, les coudes, les poignets, les hanches, les genoux et les chevilles. La plateforme propose 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 cadres.

Les modèles permettent de placer un squelette complet en un seul clic, puis d’ajuster les points clés individuels pour les faire correspondre à la pose dans l’image. Chaque point clé peut également inclure un indicateur de visibilité signalant 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)

Cadres de délimitation orientés (OBB)#

Les cadres de délimitation orientés vont au-delà des cadres traditionnels en prenant en charge la rotation. Ce type d’annotation est utile lorsque les objets sont inclinés plutôt qu’alignés sur le cadre de l’image.

Dans l’éditeur d’annotations, les annotateurs peuvent utiliser l’outil de cadres de délimitation orientés pour dessiner des rectangles inclinés autour des objets. Après avoir tracé le cadre initial, une poignée de rotation permet d’en ajuster l’angle, tandis que les poignées d’angle permettent de le redimensionner.

Les annotations orientées 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 différents angles de vue.

Fig. 5. Annotation de cadres de délimitation orientés (OBB) pour des objets inclinés 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 qu’elle contient.

Pour les jeux de données de classification, l’éditeur d’annotations propose 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’annotation d’images pour des tâches comme la segmentation demande souvent un travail minutieux et détaillé, surtout lorsque les objets doivent être délimités avec précision. Ultralytics Platform comprend des outils d’annotation assistée par l’IA qui accélèrent le processus tout en garantissant 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 pour 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 l’enregistrement.

Cette approche facilite le traitement d’images complexes sans avoir à tracer manuellement chaque détail. Les annotateurs gardent en même temps 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 Smart sur Ultralytics Platform. (Source)

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

Ces outils assistés par l’IA peuvent être utilisés pour des tâches comme la détection d’objets, la segmentation d’instances et la détection de boîtes englobantes orientées. Les équipes peuvent ainsi traiter de grands jeux de données plus efficacement tout en maintenant la qualité nécessaire à un entraînement fiable des modèles. Les jeux de données de détection d’objets peuvent également être annotés automatiquement avec des modèles de vision-langage, puis vérifiés avant l’entraînement.

Améliorer les flux de travail d’annotation grâce aux outils intégrés#

Au fil de l’annotation, il est courant de revenir sur les étiquettes pour les ajuster, corriger les erreurs ou examiner les images de plus près. L’éditeur d’annotations Ultralytics intègre des outils qui facilitent ces tâches courantes et les rendent moins chronophages.

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

• Raccourcis clavier : l’éditeur comprend 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 d’annulation et de rétablissement : les annotateurs peuvent facilement annuler ou rétablir les modifications apportées pendant une session d’édition. Les équipes peuvent ainsi tester différentes annotations et corriger rapidement les erreurs sans perdre leur progression, ce qui favorise 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 cadres de délimitation orientés ou modifier les étiquettes de classe au besoin, notamment pour affiner les objets aux formes irrégulières.
• Contrôles de visibilité : l’éditeur comprend des options permettant 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 croix avec coordonnées en pixels aident les annotateurs à placer les étiquettes avec plus 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 en vision par ordinateur. À mesure que les projets prennent de l’ampleur, l’étiquetage des données dans de grands jeux de données peut devenir difficile, surtout lorsque plusieurs annotateurs interviennent. Une bonne organisation des classes contribue à la cohérence des annotations et permet aux modèles d’apprendre à partir de données structurées.

Ultralytics Platform simplifie ce processus en intégrant la gestion des classes directement dans l’éditeur d’annotations. Plutôt que de gérer les étiquettes séparément, les équipes peuvent créer, mettre à jour et vérifier les classes pendant qu’elles travaillent sur les images, ce qui facilite la cohérence tout au long du flux de travail d’annotation.

Dans l’éditeur, toutes les classes sont accessibles dans une barre latérale, à côté du canevas d’annotation. Il est ainsi facile de sélectionner la bonne étiquette pendant l’annotation et de suivre l’utilisation des classes dans le jeu de données. Les utilisateurs peuvent rechercher des classes existantes ou en créer de nouvelles au besoin, sans interrompre leur flux de travail.

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 de les examiner, ce qui aide les équipes à vérifier la cohérence et l’exactitude.

Toutes les classes sont gérées dans un tableau centralisé où elles peuvent être triées, recherchées et mises à jour. Les modifications apportées ici sont automatiquement appliquées 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 permet d’organiser les étiquettes et de personnaliser leurs couleurs. (Source)

Comment la qualité des annotations influe sur les performances en conditions réelles#

Lorsque les systèmes de vision par ordinateur passent du développement à une utilisation dans le monde réel, la qualité des données annotées joue un rôle clé dans les performances 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 les annotations peuvent influer sur le comportement d’un modèle. Les différences dans l’étiquetage des objets ou le traitement des cas limites peuvent passer inaperçues pendant l’entraînement, mais entraîner des prédictions moins fiables une fois les systèmes déployés.

De plus, ces incohérences peuvent être plus visibles dans les applications du monde réel. Par exemple, en robotique et dans les systèmes de santé, les modèles s’appuient sur des données visuelles pour détecter des objets et guider des actions en temps réel. Les variations d’étiquetage peuvent influer sur 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#

L’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, l’étiquetage assisté par l’IA avec SAM et des fonctionnalités de flux de travail intégrées, les équipes peuvent préparer les jeux de données plus efficacement et passer plus rapidement 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 de solutions. Consulte nos options de licence et lance-toi dans la création de ton propre modèle d’IA visuelle.