Licence YOLO
Retour au glossaire Ultralytics

Affine Transformation

La transformation affine mappe les coordonnées de l’image par rotation, mise à l’échelle, cisaillement et translation, au service de l’augmentation, de l’alignement et du prétraitement.

Une transformation affine est un mappage de coordonnées qui combine une transformation linéaire et une translation. Dans les images, elle peut faire pivoter, redimensionner, réfléchir, cisailler ou décaler la grille de pixels tout en préservant les lignes droites. Transformation affine et application affine sont synonymes. En vision par ordinateur, ces mappages facilitent l’alignement, le prétraitement des données et l’augmentation des données.

Leonhard Euler a introduit le terme affine pour désigner des courbes apparentées en 1748, au chapitre XVIII du volume 2 de l’Introductio in analysin infinitorum.

Ce que préservent les transformations affines#

Une transformation affine inversible préserve les lignes droites, le parallélisme et les rapports de distance le long d’une ligne. Un point milieu reste un point milieu. Les longueurs et les angles peuvent changer : le cisaillement et la mise à l’échelle inégale peuvent transformer un rectangle en parallélogramme ou un cercle en ellipse.

Les transformations rigides préservent les distances et les angles ; les transformations de similitude autorisent également une mise à l’échelle uniforme. Les transformations affines autorisent aussi une mise à l’échelle inégale et le cisaillement. Une homographie inclut des effets de perspective, comme les bords parallèles d’une route qui convergent vers un point de fuite. Un mappage affine préserve le parallélisme et convient aux changements globaux d’inclinaison et d’échelle.

Fonctionnement de la matrice affine#

Une matrice affine à deux dimensions possède six paramètres, généralement stockés dans une matrice 2 x 3. Quatre contrôlent la partie linéaire et deux spécifient les translations horizontale et verticale. Trois paires de points déterminent la matrice : les trois points source ne doivent pas être colinéaires et forment ainsi un triangle. Dans OpenCV, cv2.getAffineTransform estime la matrice à partir de ces correspondances.

L’ajout d’une troisième coordonnée constante égale à 1, appelée coordonnée homogène, intègre la translation au produit matriciel. La matrice 3 x 3 ainsi obtenue comporte une dernière ligne égale à 0, 0, 1. Plusieurs transformations se combinent par multiplication matricielle ; une rotation suivie d’un décalage diffère généralement d’un décalage suivi d’une rotation.

Une transformation affine est linéaire exactement lorsque sa translation est nulle. Dans un réseau de neurones, une couche entièrement connectée combine des poids appris et un terme de biais. La couche Linear de PyTorch effectue par défaut une transformation affine, généralement suivie d’une fonction d’activation non linéaire.

Utilisations en vision et en entraînement de modèles#

L’entraînement à la détection et à la segmentation de YOLO26 d’Ultralytics prend en charge l’augmentation géométrique via degrees, translate, scale et shear, en mettant à jour conjointement les images et les annotations. Avec perspective=0.0, le mappage est affine ; la rotation et le cisaillement sont désactivés par défaut.

Appliquer une transformation affine en Python#

Avec pip install opencv-python numpy, cet exemple utilise OpenCV pour faire pivoter et réduire une image autour de son centre :

from urllib.request import urlopen

import cv2
import numpy as np

with urlopen("https://ultralytics.com/images/bus.jpg") as response:
    encoded = np.frombuffer(response.read(), dtype=np.uint8)
image = cv2.imdecode(encoded, cv2.IMREAD_COLOR)
height, width = image.shape[:2]

# La rotation autour du centre nécessite également une translation.
center = (width / 2, height / 2)
matrix = cv2.getRotationMatrix2D(center, angle=20, scale=0.8)
warped = cv2.warpAffine(image, matrix, (width, height))
cv2.imwrite("affine_result.jpg", warped)

L’image enregistrée montre une rotation de 20 degrés et une mise à l’échelle à 80 % des dimensions d’origine dans un canevas de sortie inchangé.

Rééchantillonnage et erreurs d’annotation#

La déformation échantillonne une grille discrète de pixels. L’interpolation bilinéaire mélange les pixels voisins ; l’interpolation au plus proche voisin sélectionne une valeur existante. La rotation révèle des zones de bordure sans pixels source, et un canevas fixe tronque le contenu qui dépasse ses limites. Les rééchantillonnages bilinéaires répétés adoucissent les détails fins, même lorsque le mappage des coordonnées est inversible.

En vision supervisée, les images et les annotations utilisent le même mappage. Si les étiquettes ne sont pas modifiées, les cibles se retrouvent aux mauvais endroits. Les boîtes englobantes nécessitent de transformer les quatre coins avant de calculer un rectangle englobant aligné sur les axes, qui peut inclure davantage d’arrière-plan après une rotation. Les points clés situés à l’extérieur du canevas nécessitent une mise à jour de leur visibilité. Les masques de segmentation catégorielle utilisent l’interpolation au plus proche voisin afin de conserver des identifiants de classe discrets.

Découvre les solutions

La vision par ordinateur dans le sport

La vision par ordinateur dans le sport

Découvre comment Ultralytics YOLO propulse la vision par ordinateur dans le sport grâce au suivi des joueurs et du ballon, aux analyses de performance, aux conseils d’entraînement et à la rééducation des athlètes.
En savoir plus
Vision par ordinateur pour les images aériennes

Vision par ordinateur pour les images aériennes

Transforme les images de drones et les images aériennes en informations exploitables en temps réel pour l’agriculture, l’aquaculture, la conservation et l’analyse géospatiale avec Ultralytics YOLO.
En savoir plus
Vision par ordinateur dans l’aérospatiale

Vision par ordinateur dans l’aérospatiale

Applique la vision par ordinateur dans l’aérospatiale avec Ultralytics YOLO pour l’inspection des aéronefs, la détection des corps étrangers sur les pistes, les opérations au sol des aéroports et la détection des défauts des matériaux composites.
En savoir plus
La vision par ordinateur dans la sécurité

La vision par ordinateur dans la sécurité

Protège chaque site avec les modèles Ultralytics YOLO. L’IA visuelle permet la surveillance des périmètres, la détection des menaces, la reconnaissance des plaques d’immatriculation et la sécurité au travail.
En savoir plus
La vision par ordinateur en robotique

La vision par ordinateur en robotique

Donne plus de capacités à tes machines grâce aux modèles Ultralytics YOLO. Dans la robotique, l’IA visuelle permet la navigation autonome, la perception, le suivi des objets et le contrôle en temps réel.
En savoir plus
La vision par ordinateur dans la logistique

La vision par ordinateur dans la logistique

Optimise la logistique avec les modèles Ultralytics YOLO. La vision par IA permet d’inspecter les colis, de les trier, de suivre les véhicules et de surveiller la sécurité des entrepôts en temps réel.
En savoir plus
La vision par ordinateur dans le commerce de détail

La vision par ordinateur dans le commerce de détail

Réinvente le commerce de détail avec les modèles Ultralytics YOLO. La vision par IA permet de suivre les stocks, de surveiller les rayons, de gérer les files d’attente et de mieux comprendre les clients.
En savoir plus
La vision par ordinateur dans le secteur de la santé

La vision par ordinateur dans le secteur de la santé

Crée des solutions de santé avec les modèles Ultralytics YOLO. La vision par IA dans le secteur de la santé accélère l’imagerie médicale, améliore les diagnostics et facilite la surveillance des patients.
En savoir plus
La vision par ordinateur dans l’industrie manufacturière

La vision par ordinateur dans l’industrie manufacturière

Optimise la fabrication avec les modèles Ultralytics YOLO. La vision par IA améliore le contrôle qualité, la détection des défauts, le respect des règles concernant les EPI et l’automatisation des chaînes de montage.
En savoir plus
La vision par ordinateur dans l’automobile

La vision par ordinateur dans l’automobile

Mets la vision par ordinateur au service de l’automobile avec les modèles Ultralytics YOLO. La vision par IA renforce la sécurité routière, l’aide à la conduite et l’automatisation des véhicules pour des routes plus intelligentes.
En savoir plus
Vision par ordinateur dans l’agriculture

Vision par ordinateur dans l’agriculture

Fais entrer l’IA de vision dans l’agriculture intelligente avec les modèles Ultralytics YOLO. Optimise le suivi des cultures et du bétail ainsi que l’agriculture de précision pour obtenir des rendements plus élevés et plus intelligents.
En savoir plus

Construisons ensemble l’avenir de l’IA !

Commence ton parcours vers l’avenir de l’apprentissage automatique