Data Labeling

L’étiquetage des données consiste à associer des informations de vérité terrain à des données brutes, comme le nom d’une classe pour une image, une boîte englobante autour de chaque voiture dans une photo de rue ou la transcription d’un extrait audio, afin que les modèles d’apprentissage supervisé puissent apprendre à partir de ces données. Les étiquettes définissent la tâche : un modèle apprend à prédire exactement ce que décrivent les étiquettes, avec autant de précision et de cohérence qu’elles. L’annotation de données est un synonyme, et les personnes qui effectuent ce travail sont appelées étiqueteurs ou annotateurs. L’étiquetage est généralement l’étape la plus lente et la plus coûteuse de la création des données d’entraînement, d’où le recours fréquent à des méthodes où un modèle propose des étiquettes que les personnes corrigent.

Types d’étiquettes en vision par ordinateur#

Le format des étiquettes dépend de la tâche que le modèle doit effectuer :

• Classification d’images : Une classe par image, par exemple « défectueux » ou « conforme » pour une pièce sur une ligne d’inspection.
• Détection d’objets : Une boîte alignée sur les axes et une classe pour chaque objet d’intérêt.
• Boîtes englobantes orientées : Des boîtes inclinées qui épousent la forme d’objets allongés ou en biais, comme les navires et les véhicules dans des images aériennes.
• Segmentation d’instances : Un polygone ou un masque de pixels qui délimite chaque objet séparément.
• Segmentation sémantique : Une classe pour chaque pixel, comme route, trottoir et ciel, sans distinguer les objets individuels.
• Estimation de pose : Des points clés placés sur des repères fixes, comme les 17 points de COCO, du nez et des yeux jusqu’aux chevilles, souvent avec un indicateur de visibilité pour chacun.

L’effort augmente avec le niveau de détail. Le dessin d’une boîte de haute qualité pour ILSVRC, le jeu de données du défi ImageNet, prenait environ 35 secondes ; la méthode des clics extrêmes, où les annotateurs cliquent sur les points supérieur, inférieur, le plus à gauche et le plus à droite de l’objet au lieu de faire glisser les coins, a réduit ce temps à 7 secondes pour des boîtes de qualité identique. Les polygones et masques de pixels prennent encore plus de temps. En dehors de la vision, les étiquettes délimitent les entités pour la reconnaissance d’entités nommées (NER), indiquent les sentiments pour la classification de texte et fournissent les transcriptions pour la reconnaissance vocale.

Workflow d’étiquetage#

Les projets d’étiquetage commencent par des consignes écrites qui définissent chaque classe et tranchent les cas limites avant le début du travail : faut-il encadrer une voiture cachée à 90 %, à quel point tracer précisément les contours des membres d’un cycliste, et que faire des reflets, des objets minuscules et des foules ? Dans l’étiquetage assisté par modèle, un modèle entraîné sur les étiquettes disponibles pré-étiquette les nouvelles images, les annotateurs corrigent ses erreurs, des réviseurs vérifient un échantillon, puis chaque modèle réentraîné améliore la précision des propositions suivantes. L’apprentissage actif ajoute une étape de sélection à cette boucle, afin que les personnes étiquettent d’abord les images sur lesquelles le modèle est le moins sûr.

L’éditeur d’annotations d’Ultralytics Platform intègre cette boucle : son mode Smart transforme un clic en masque grâce aux modèles Segment Anything de Meta, ou ajoute des prédictions de modèles YOLO préentraînés ou ajustés finement par toi sous forme de brouillons d’annotations. La même étape de pré-étiquetage s’exécute en Python avec un détecteur YOLO26, qui écrit ses prédictions au format d’étiquettes utilisé pour l’entraînement :

from pathlib import Path

from ultralytics import YOLO

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

# Effectuer une prédiction sur une image non étiquetée
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Écrire une ligne « class x_center y_center width height » par objet, normalisée entre 0 et 1
label_file = result.save_txt("bus.txt")

# Afficher les étiquettes provisoires que l’annotateur va vérifier
print(Path(label_file).read_text())

Chaque ligne affichée contient un index de classe COCO suivi du centre, de la largeur et de la hauteur de la boîte, exprimés en fractions de la taille de l’image : c’est le format d’étiquette YOLO, que l’entraînement lit directement une fois que l’annotateur a corrigé les boîtes erronées ou manquantes. Pour les classes inconnues de tous les détecteurs préentraînés, Ultralytics Platform peut annoter automatiquement les jeux de données de détection avec des modèles de langage et de vision qui repèrent les objets à partir de leur nom. Le classement VLM compare la précision avec laquelle chaque modèle étiquette des images du monde réel.

Qualité des étiquettes#

Un modèle ne peut pas être plus cohérent que ses étiquettes, et les erreurs sont fréquentes même dans des jeux de données célèbres. Une étude des erreurs d’étiquetage dans 10 benchmarks largement utilisés a estimé qu’au moins 3,3 % des étiquettes de test sont erronées en moyenne, dont au moins 6 % dans l’ensemble de validation ImageNet. Les équipes détectent les erreurs grâce à plusieurs vérifications standard :

• Questions de contrôle : Des éléments dont les réponses sont connues sont ajoutés à la file de chaque étiqueteur afin de mesurer sa précision ; ils proviennent souvent d’un jeu de données de référence.
• Étiquetage en double : Deux annotateurs ou plus étiquettent les mêmes éléments ; leur accord est mesuré avec le kappa de Cohen pour les étiquettes de classe, ou avec l’intersection sur union (IoU) entre leurs boîtes et leurs masques.
• Audit par modèle : Un modèle entraîné signale les étiquettes avec lesquelles il est fortement en désaccord, et des outils comme cleanlab classent les erreurs d’étiquetage les plus probables afin qu’une personne les examine.

Étiquetage des données et notions apparentées#

• Annotation de données : Un synonyme. Les équipes de vision par ordinateur emploient généralement le terme annotation pour les géométries tracées, comme les boîtes et les masques.
• Apprentissage semi-supervisé : Un modèle étiquette lui-même les données non étiquetées et conserve ses propres prédictions confiantes comme pseudo-étiquettes, sans vérification humaine.
• Apprentissage actif : Détermine quels éléments les personnes étiquettent ensuite, généralement ceux pour lesquels le modèle actuel est le plus incertain.
• Nettoyage des données : Corrige les problèmes d’un jeu de données, comme les doublons, les fichiers corrompus et les formats incohérents, y compris les étiquettes erronées détectées après l’étiquetage.
• Données synthétiques : Des images rendues ou générées dont les étiquettes sont fournies gratuitement par le générateur, puisque la disposition de la scène est connue avec précision, au prix d’un écart entre les images synthétiques et réelles.