Bounding Box

Une boîte englobante est le plus petit rectangle aligné sur les axes qui entoure un objet dans une image ou une séquence vidéo ; elle est décrite par quatre nombres. C’est l’unité de sortie de la détection d’objets : un détecteur renvoie une boîte par objet, ainsi qu’une étiquette de classe et un score de confiance, et les annotateurs dessinent les mêmes boîtes sur les données d’entraînement pour apprendre au modèle à les prédire. Une boîte indique l’emplacement d’un objet et donne une estimation de sa taille sans en tracer le contour, ce qui rend les boîtes rapides à annoter et peu coûteuses à prédire.

Formats de coordonnées#

Les coordonnées d’image commencent dans le coin supérieur gauche ; x augmente vers la droite et y vers le bas. Chaque format de boîte stocke quatre nombres, mais les jeux de données et les bibliothèques ne s’accordent pas sur les quatre nombres à utiliser. Les confondre décale ou étire silencieusement toutes les boîtes.

• Coins (xyxy) : le coin supérieur gauche (x1, y1) et le coin inférieur droit (x2, y2), en pixels. Les annotations PASCAL VOC et la plupart des fonctions de dessin et de calcul de l’IoU utilisent ce format.
• Format COCO : le coin supérieur gauche, suivi de la largeur et de la hauteur, [x, y, largeur, hauteur], en pixels.
• Format YOLO : le centre de la boîte, suivi de sa largeur et de sa hauteur, chaque valeur étant divisée par la largeur ou la hauteur de l’image pour obtenir des valeurs comprises entre 0 et 1. Les modèles Ultralytics YOLO, comme YOLO26, s’entraînent à partir d’un fichier texte par image, avec une ligne par objet : l’indice de classe, puis x_center, y_center, width et height.

Les coordonnées normalisées restent valides lors d’un redimensionnement : une image peut être mise à l’échelle vers n’importe quelle résolution d’entraînement sans réécrire ses étiquettes, car les boîtes sont stockées sous forme de fractions de la taille de l’image.

from ultralytics import YOLO

# Charger un détecteur nano YOLO26 préentraîné
model = YOLO("yolo26n.pt")

# Détecter les objets et récupérer les boîtes de la première image
results = model("https://ultralytics.com/images/bus.jpg")
boxes = results[0].boxes

# La même première boîte dans quatre formats
print(boxes.xyxy[0])  # coins en pixels
print(boxes.xywh[0])  # centre, largeur, hauteur en pixels
print(boxes.xyxyn[0])  # coins divisés par la largeur et la hauteur de l’image
print(boxes.xywhn[0])  # centre et dimensions divisés par la taille de l’image, comme dans les étiquettes YOLO

Les quatre lignes décrivent un seul rectangle. Les versions normalisées divisent les valeurs en pixels par les dimensions de l’image, 810 × 1080, et xywh se mesure à partir du centre de la boîte ; il diffère donc du format xywh de COCO, qui part du coin supérieur gauche.

Comment les détecteurs prédisent les boîtes#

Un détecteur prédit des boîtes sous forme de sorties de régression à de nombreux endroits de l’image. Les premières conceptions prédisaient des décalages par rapport à des boîtes d’ancrage prédéfinies, de tailles et de rapports d’aspect fixes, tandis que les détecteurs sans ancrage prédisent directement les distances entre un point de la grille et les quatre bords de la boîte. Pendant l’entraînement, les boîtes prédites et annotées sont comparées à l’aide de fonctions de perte fondées sur l’intersection sur l’union (IoU). Comme des positions voisines prédisent des boîtes qui se chevauchent pour un même objet, la suppression non maximale (NMS) élimine les doublons au moment de l’inférence.

Annotation des boîtes englobantes#

Un détecteur apprend à dessiner les boîtes comme elles apparaissent dans ses annotations ; les consignes d’annotation des données déterminent donc leur qualité. De bonnes consignes demandent des boîtes qui touchent les bords visibles de chaque objet, l’annotation de chaque instance de chaque classe — car un objet non annoté apprend au modèle qu’il s’agit d’arrière-plan — et une règle fixe pour les objets occultés ou tronqués, par exemple n’encadrer que la partie visible. L’évaluation suit les mêmes règles, car une prédiction est évaluée selon son IoU avec la boîte annotée.

Boîtes englobantes et autres types de régions#

• Boîtes englobantes orientées (OBB) : une cinquième valeur, l’angle de rotation, permet d’orienter la boîte pour épouser des objets inclinés comme des navires ou des véhicules dans des images aériennes, avec beaucoup moins d’arrière-plan à l’intérieur.
• Segmentation d’instance : un masque par pixel qui délimite la forme exacte de chaque objet.
• Points clés : des points de repère individuels, comme les articulations du corps pour l’estimation de pose.
• Boîtes englobantes 3D : des pavés droits dans l’espace réel, généralement décrits par sept nombres : le centre (x, y, z), la longueur, la largeur et la hauteur en mètres, ainsi qu’un angle de cap.