> For the complete documentation index, see [llms.txt](https://docs.augelab.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.augelab.com/french/key-features/annotate-data-for-object-detection/after-annotation.md).

# Après l'annotation

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

<figure><img src="/files/NPbQJ9mNwd1JUqSEaS1j" alt="Annotation Finished" width="400"><figcaption><p>YAY!</p></figcaption></figure>

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.

### Navigation & sélection de classes

* `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

1. Filtrer sur `Annotated` : passer en revue \~20–50 images sur l'ensemble (pas seulement la première page).
2. Filtrer sur `Empty` : revoir \~10–20 images pour confirmer qu'elles sont vraiment vides.
3. Vérifier `Excluded` ponctuellement : s'assurer qu'aucune donnée de qualité n'est mise de côté.
4. 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.