> 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/annotation-window-how-to.md).
# Notions de base de la fenêtre d'annotation
## AugeLab Studio — Annoter des données pour la détection d'objets
{% hint style="info" %}
Vous aurez besoin d'un ordinateur avec un [GPU Nvidia compatible](/french/introduction/system-requirements.md), du support AI/GPU activé dans AugeLab Studio et du bundle requis installé via la fenêtre [Module Downloader Window](/french/augelab-studio-interface/external-features/module-downloader.md#installing-the-ai-bundle).
{% endhint %}
La fenêtre Image Annotation d'AugeLab Studio permet d'annoter des images en dessinant des boîtes englobantes autour des objets d'intérêt et en les associant à des classes spécifiques.
### Premier aperçu
Pour ouvrir la fenêtre Image Annotation, allez dans le menu supérieur et cliquez sur `AI Tools` ➡️ `Image Annotation`.
Pour annoter des images, vous aurez besoin de deux éléments :
1. un fichier `.class` (ou `.names`)
2. le dataset (dossier d'images)
### Fichier de classes
Pour étiqueter vos données, il vous faut un fichier `classes.names`, qui est un simple fichier texte avec l'extension .names. Un fichier de classes normal ressemble à ceci :
```
Personne
Chien
Chat
Tasse
```
Si vous ne disposez pas d'un tel fichier, vous pouvez le créer depuis la section `Classes` :
Pour créer votre fichier de classes :
1. Tapez un nom de classe
2. Cliquez sur `+` pour ajouter la classe.
3. Cliquez sur `Save Classes` (troisième bouton) et vous pouvez ensuite choisir un dossier.
Vous pouvez aussi cliquer sur `-` pour supprimer une classe.
### Charger un dossier d'images
{% hint style="warning" %}
Assurez-vous que le chemin vers votre dataset ne contient aucun caractère non anglais.
{% endhint %}
Cliquez sur `Open Folder` en haut de l'écran et choisissez le dossier contenant toutes vos images :
Après avoir cliqué sur `Open Folder`, une boîte de dialogue s'ouvrira pour vous demander de choisir un dossier et un fichier de classes :
Sélection d'image : Après le chargement du dossier, la liste des images disponibles s'affichera. Cliquez sur une image pour la sélectionner en vue d'annotation.
### Annoter les images
L'annotation est simple : cliquez sur le coin supérieur gauche de l'objet à annoter, faites glisser la souris et relâchez pour créer la boîte !
Les boîtes englobantes doivent ajuster précisément l'objet sans inclure trop d'arrière-plan. Cela aide le modèle à apprendre les caractéristiques pertinentes de l'objet.
{% tabs %}
{% tab title="Mauvaise annotation" %}
!\[Bad Annotation]\(../../../.assets/gitbook/image (74).png)
{% endtab %}
{% tab title="Bonne annotation" %}
!\[Good Annotation]\(../../../.assets/gitbook/image (73).png)
{% endtab %}
{% endtabs %}
### Panneau Dataset (Dataset Panel)
Le panneau Dataset propose plusieurs fonctionnalités utiles :
1. `Filter` : permet de filtrer les images selon l'état d'annotation :
* `All` : toutes les images, annotées ou non
* `Annotated` : images contenant des annotations
* `Empty` : images sans annotation mais incluses dans l'entraînement (les objets non annotés peuvent nuire à l'entraînement)
* `Excluded` : images sans fichier d'annotation (n'impactent pas l'entraînement)
2. `Search` : filtrer les images par leur nom.
### Annoter des vidéos
Vous pouvez également annoter des fichiers vidéo en activant le mode **Video** en haut de la fenêtre :
Le changement de mode vidéo vous demandera un chemin de fichier. Choisissez la vidéo et vous pourrez annoter la vidéo comme un dossier d'images (frame par frame).
### Outils
Plusieurs outils sont disponibles dans Image Annotation pour vous aider à préparer le dataset :
#### Class Frequency Analysis
Cliquez sur Class Frequency Analysis pour analyser et afficher le nombre d'occurrences de chaque classe dans votre dataset.
Utile pour vérifier si votre jeu de données est équilibré.
#### Augment Dataset
AugeLab Studio applique automatiquement de l'augmentation de données (augmentation). L'augmentation consiste à créer artificiellement des variantes d'images similaires.
Ce sujet est expliqué en détail sur la page [Augmenting Your Dataset](/french/key-features/annotate-data-for-object-detection/augment-dataset.md).
***
## 🛠️ Dépannage AI Vision
Si vos modèles AI ne se comportent pas comme prévu, utilisez ces bascules et conseils rapides pour ajuster les performances.
🚫 "Ça n'annote rien" (zéro détection)
Quand l'IA est trop "timide", c'est souvent un problème de seuils ou de description.
* **Baisser le seuil de confiance** : réduisez légèrement le `Confidence Threshold`.
* **Sensibilité texte** : pour Grounding DINO, baissez le `Text Threshold` pour être moins strict sur la correspondance des mots.
* **Soyez précis** : au lieu de "part", essayez "boulon métallique argenté" ou "bouchon plastique rouge". Les descriptions doivent être visuelles.
* **Vérifiez la liste de classes** : assurez-vous que votre fichier de classes est bien chargé dans les paramètres et n'est pas vide.
📦 "Trop de boîtes incorrectes" (faux positifs)
Si l'écran est encombré de détections fantômes, il faut renforcer la "sévérité" du modèle.
* **Augmenter la confiance** : augmentez le `Confidence Threshold` pour filtrer les prédictions à faible certitude.
* **Rendre le texte plus strict** : augmentez le `Text Threshold` pour exiger une meilleure correspondance entre l'image et votre prompt.
* **Enlever les ambiguïtés** : évitez des invites trop générales comme "object" ou "item". Si l'IA étiquette des ombres comme "part", décrivez les textures ou couleurs uniques.
❓ "Le modèle YOLO ne détecte pas ma classe"
Les modèles YOLO standards sont pré-entraînés sur des datasets particuliers.
* **COCO Standard** : les modèles YOLO de base reconnaissent seulement les 80 catégories COCO. Vos étiquettes doivent correspondre exactement (ex. `person`, `cell phone`, `chair`, `bottle`).
* **Besoins spécifiques** : pour détecter quelque chose de très spécifique (ex. "carte électronique rayée"), passez à un modèle Text-Prompt (comme Grounding DINO) ou entraînez un modèle YOLO personnalisé.
🐌 "Le traitement est lent ou saccadé"
Les modèles vision sont gourmands en calcul.
* **Premier lancement plus lent** : il est normal que la première exécution soit lente pendant le téléchargement et l'initialisation des modèles.
* **Taille du modèle** : Grounding DINO Base et OWLv2 Large sont précis mais "lourds". Essayez une variante "Tiny" ou "Small" pour plus de vitesse.
* **Matériel** : vérifiez qu'AugeLab utilise bien votre **GPU**. Exécuter de gros modèles sur CPU entraîne une latence importante.
***
#### 💡 Toujours bloqué ?
Essayez l'**AI Assistant** dans AugeLab Studio. Décrivez votre vue caméra et à quoi ressemblent actuellement les boîtes ; il peut souvent suggérer la valeur décimale exacte pour vos seuils.
Souhaitez-vous que je crée une table "Threshold Cheat Sheet" expliquant précisément la différence entre Confidence et Text thresholds ? (voir aussi ./augment-dataset.md).
{% hint style="warning" %}
Le processus d'augmentation doit se faire après avoir terminé l'annotation.
{% endhint %}
{% hint style="warning" %}
Le processus d'augmentation peut augmenter la taille sur disque de votre dataset jusqu'à 10×.
{% endhint %}
#### Preprocess Image
L'outil Preprocess Image permet de modifier le contraste, la luminosité et le gamma des images affichées dans la fenêtre. Utile pour des images trop sombres ou trop claires.
#### Change Class Id
L'outil Change Class Id permet de remplacer toutes les instances annotées d'une classe par une autre.
Pratique pour fusionner deux datasets.
#### Raccourcis et aide
Pour les raccourcis et l'aide, cliquez sur le bouton `Help` en haut du menu.
* `D` : afficher l'image ou l'image suivante.
* `A` : afficher l'image ou l'image précédente.
* `Shift + D` : avancer de 10 images/frames.
* `Shift + A` : reculer de 10 images/frames.
* `W` : décrémenter la sélection de classe.
* `S` : incrémenter la sélection de classe.
* `Shift + W` : décrémenter la sélection de classe de 3.
* `Shift + S` : incrémenter la sélection de classe de 3.
* `X` : supprimer la dernière boîte englobante.
* `Shift + C` : effacer toutes les annotations.
* `O` : ajouter un fichier d'annotation vide ou effacer les annotations.
* `P` : supprimer les annotations et vider le fichier.
* `M` : déplacer ou exclure l'image vers un autre dossier (Folder Mode uniquement).
* `Shift + Delete` : supprimer l'image et l'annotation du disque (Folder Mode uniquement).
#### Entraînement avec un modèle de détection d'objets personnalisé
Pour entraîner un modèle de détection d'objets personnalisé, reportez-vous à la page [Object Detection Train](/french/key-features/train-custom-ai-models-with-training-window.md).