Après l'annotation

Vous avez terminé d'annoter votre jeu de données ! 🎉

Un jeu de données de haute qualité est cohérent. Vous pouvez suivre facilement ce document pour effectuer un audit rapide de vos annotations avant de passer à l'entraînement.

Vérification rapide via les filtres du jeu de données

Dans la Image Annotation Window, utilisez le menu déroulant Filter pour isoler des états d'étiquetage spécifiques.

Filtre

Logique

À vérifier

All

Ensemble du dataset

Vue d'ensemble du volume du projet.

Annotated

≥1 Bounding Box

Vérifier que les boîtes sont bien serrées et que les classes sont correctes.

Empty

Background / Negative

Critique : Confirmer qu'il n'y a vraiment aucun objet.

Excluded

Pas de fichier d'annotation

S'assurer qu'aucune donnée exploitable n'a été masquée par erreur.

Piège courant : Avoir des images marquées Empty qui contiennent en réalité des objets perturbera le modèle. Si un objet est présent, il doit être annoté ou l'image doit être Excluded.

Récapitulatif rapide : Raccourcis clavier

Ces raccourcis permettent un audit rapide sans quitter la zone de travail.

D / A : Image suivante / précédente.
Shift + D / Shift + A : Avancer / reculer de 10 images.
S / W : Classe suivante / précédente.
Shift + S / Shift + W : Sauter de 3 classes.
H (maintenir) : Masquer temporairement les annotations pour voir l'image brute.

Étiquetage & gestion des fichiers

O : Mark as Background (Crée / vide un fichier d'annotation vide).
P : Exclude Image (Supprime le fichier d'annotation).
X : Supprimer la dernière bounding box.
Shift + C : Effacer toutes les boîtes de l'image courante.
M : Déplacer l'image + annotation dans un sous-dossier /moved (Folder Mode).
Shift + Delete : Supprimer définitivement l'image + annotation.

Outils d'analyse avancée

A) Class Frequency Analysis

Ouvrez Tools → Class Frequency Analysis pour visualiser la distribution des classes dans vos données.

Classes rares : si une classe est significativement moins représentée, le modèle peut l'ignorer.
Classes dominantes : si une classe représente la majorité des données, le modèle peut la sur-prédire.

Si vous constatez des déséquilibres, envisagez de collecter plus de données pour les classes rares ou de supprimer des images redondantes pour les classes dominantes.

Une autre option consiste à utiliser des techniques d'augmentation de données pour augmenter artificiellement la variété des classes sous-représentées.

B) Détection de motifs (Pattern Recognition)

Lors de la revue, soyez attentif aux problèmes de "Annotation Quality" suivants :

Boîtes trop lâches : trop de fond présent dans la boîte.
Style incohérent : mélange de boîtes serrées et lâches pour la même classe.
Manque de négatifs : pas assez d'images Empty pour apprendre ce qui n'est pas un objet.

Routine d'audit

Filtrer sur Annotated : passer en revue ~20–50 images sur l'ensemble (pas seulement la première page).
Filtrer sur Empty : revoir ~10–20 images pour confirmer qu'elles sont vraiment vides.
Vérifier Excluded ponctuellement : s'assurer qu'aucune donnée de qualité n'est mise de côté.
Passage cas limites : chercher les plus petits objets, les reflets les plus forts et le flou de mouvement le plus intense.

Jeu de validation

Choisissez 30–100 images ou clips vidéo représentant des situations "réelles" difficiles (mauvaise luminosité, encombrement, etc.).

Conservez-les parfaitement annotés. Utilisez cet ensemble comme votre dernier "contrôle de réalité" avant de déployer un modèle en production.

Rappel sauvegarde : Dupliquez toujours votre dossier de jeu de données avant d'exécuter des opérations en lot ou des suppressions massives.

PrécédentAugmenter le dataset SuivantEntraîner des modèles de détection d'objets (YOLO)

Mis à jour il y a 6 mois