Ctrlk
For the complete documentation index, see llms.txt. This page is also available as Markdown.

Annotation automatique

Magic annotation vous aide à générer automatiquement des bounding boxes à l'aide de modèles IA, afin que vous puissiez annoter des jeux de données beaucoup plus rapidement.

Il est conçu pour un flux de travail pratique :

  1. Configurer le modèle et les prompts une seule fois

  2. Auto-annoter une image pour vérifier la qualité

  3. Auto-annoter en lot tout le dataset

  4. Revoir et corriger ce qui ne va pas

Exigences

Magic annotation fonctionne plus rapidement avec un GPU NVIDIA.

  • Vous aurez besoin d’un ordinateur avec un GPU NVIDIA

  • Si un GPU NVIDIA est disponible, téléchargez la version torch GPU depuis Module Downloader pour accélérer l’auto-annotation.

  • Téléchargez les modules IA requis depuis la fenêtre Module Downloader

Premier aperçu

Magic annotation entry point in the Classes panel

(Ouvrez Magic annotation avec le bouton ✨ (ou appuyez sur T).)

Vous pouvez ouvrir Magic annotation de deux façons :

  • Appuyez sur la touche T pour auto-annoter l’image courante (utilise vos réglages enregistrés)

  • Cliquez sur le bouton ✨ dans le panneau Classes pour ouvrir la boîte de dialogue Magic annotation settings

La première fois que vous utilisez Magic annotation, AugeLab Studio vous demandera de configurer vos réglages. Ces réglages sont mémorisés et vous pouvez les modifier à tout moment en cliquant sur le bouton ✨.

Avant de commencer (recommandé)

Magic annotation a besoin d’un dataset et d’une liste de classes.

  1. Chargez le dossier de votre dataset dans la Image Annotation Window

  2. Chargez (ou créez) votre fichier classes.names

Si vous n’avez pas encore utilisé l’Annotation Window, suivez d’abord le guide principal d’annotation.

Ouvrir la boîte de dialogue Magic annotation

  1. Ouvrez AI Tools → Image Annotation

  2. Chargez votre dataset et le fichier de classes

  3. Dans le panneau Classes, cliquez sur le bouton ✨

Cela ouvre la boîte de dialogue Magic annotation Settings.

Magic annotation settings dialog

Étape 1 — Choisir un modèle

Dans Model Selection, choisissez l’un des détecteurs pris en charge.

Modèles text-prompt (recommandés pour des classes personnalisées)

Ces modèles détectent des objets en utilisant vos descriptions de classe (text prompts) :

  • Grounding DINO Tiny : bon choix par défaut, plus rapide

  • Grounding DINO Base : plus précis, plus lourd (GPU fortement recommandé)

  • OWLv2 Base Ensemble : bon modèle général

  • OWLv2 Large Ensemble : plus précis, plus lourd (GPU fortement recommandé)

Utilisez-les lorsque vos classes ne sont pas des classes COCO standard, ou lorsque vous voulez décrire l’objet en langage naturel.

Modèles YOLO (rapides, mais le nom des classes compte)

Les modèles YOLO apparaissent si la fonctionnalité YOLO/OpenCV DNN est disponible :

  • YOLOv4 (COCO)

  • YOLOv4 Tiny (COCO)

Ces modèles n’utilisent pas de descriptions textuelles. Ils utilisent les noms de classes COCO.

Pour les modèles YOLO (COCO), les noms de classes COCO doivent correspondre à vos noms de classe dans le dataset exactement. Exemple : si votre classe est person, elle doit être exactement person (pas human).

Modèle YOLOv4 personnalisé

Si vous avez votre propre modèle YOLOv4, sélectionnez Custom YOLOv4 Model et fournissez :

  • Fichier de poids (.weights)

  • Fichier de config (.cfg)

  • Fichier de noms (.names)

Étape 2 — Régler les seuils

Confidence Threshold

Contrôle le niveau de confiance requis pour qu’une détection devienne une annotation.

  • Valeurs élevées → moins de boîtes, mais généralement plus propres

  • Valeurs basses → plus de boîtes, mais plus de faux positifs

Point de départ conseillé : 30%.

Grounding DINO : Box Threshold et Text Threshold

Ces options apparaissent uniquement pour les modèles Grounding DINO :

  • Box Threshold : rigueur du score de la boîte

  • Text Threshold : rigueur de l’appariement texte↔objet

Conseils :

  • Trop de boîtes incorrectes → augmentez d’abord Text Threshold

  • Boîtes floues ou trop larges → augmentez Box Threshold

  • Aucune détection → baissez progressivement les seuils

Étape 3 — Rédiger de meilleures descriptions de classes (modèles text-prompt)

Si vous avez choisi un modèle text-prompt, vous verrez un tableau Class Descriptions.

Class descriptions table

(Ce tableau sert de prompts pour le modèle.)

Pourquoi c’est important : la description est le prompt que le modèle utilise pour trouver vos objets.

Bonnes descriptions :

  • Visuelles et spécifiques (couleur, forme, matériau)

  • Ancrées dans vos images réelles (fond, éclairage, orientation)

Exemples :

  • Au lieu de bolt → silver bolt on a black conveyor belt

  • Au lieu de cup → white paper cup, top view

  • Au lieu de label → rectangular sticker label on a cardboard box

Vous pouvez aussi utiliser :

  • Use Class Names pour remettre les prompts aux noms de classes

  • Clear All pour repartir de zéro

Astuce : si deux classes se ressemblent, faites ressortir dans la description ce qui les différencie. Exemple : scratch on metal surface vs oil stain on metal surface.

Étape 4 — Choisir le mode d’annotation (important)

Magic annotation propose trois modes pour gérer les images qui ont déjà des annotations :

  • Override : remplace les fichiers d’annotation existants

  • Add : ajoute les nouvelles détections aux annotations existantes

  • Skip : ne traite pas les images qui ont déjà des annotations

Usage recommandé :

  • Choisissez Override si vous recommencez à zéro ou si vous ré-étiquetez tout

  • Choisissez Add si vous voulez compléter vos labels existants

  • Choisissez Skip si vous affinez un dataset partiellement annoté et ne souhaitez pas écraser le travail

Lancer Magic annotation

Annotate Current (une image)

Commencez par Annotate Current.

C’est la méthode la plus sûre pour valider que :

  • vos prompts sont corrects

  • les seuils sont raisonnables

  • les boîtes ont l’air justes

Si les résultats ne sont pas satisfaisants, ajustez prompts/seuils et réessayez.

Batch Annotate All (tout le dataset)

Quand l’image courante est satisfaisante, cliquez sur Batch Annotate All.

Une boîte de progression affichera :

  • statut courant (model loading / processing)

  • barre de progression

  • temps estimé restant (ETA)

Vous pouvez annuler à tout moment.

Batch Magic annotation progress dialog

(Progression de Batch Magic annotation avec ETA.)

Revoir et corriger les résultats

Magic annotation est conçu pour accélérer l’étiquetage, pas pour remplacer la revue humaine.

Après l’auto-annotation :

  1. Parcourez rapidement les images pour repérer les échecs évidents

  2. Corrigez les boîtes incorrectes (mauvaise classe, mauvaise taille)

  3. Supprimez les faux positifs

  4. Ajoutez manuellement les objets manquants si nécessaire

Si vous observez des erreurs répétées, arrêtez, ajustez prompts/seuils, puis relancez.

Si vos modèles IA ne se comportent pas comme attendu, utilisez ces réglages rapides pour ajuster la performance.

🚫 "Il n’annota rien" (Zéro détection)

Quand l’IA est trop “réservée” pour annoter quoi que ce soit, c’est généralement un problème de seuil ou de description.

  • Baisser Confidence : Diminuez légèrement le Confidence Threshold (par ex. ).

  • Sensibilité textuelle : Pour Grounding DINO, baissez le Text Threshold pour être moins strict sur l’appariement des mots.

  • Soyez précis : Au lieu de “part”, essayez “silver metal bolt” ou “red plastic cap”. Les descriptions doivent être visuelles.

  • Vérifiez les listes : Assurez-vous que votre liste de classes est bien chargée dans les settings du noeud et qu’elle n’est pas vide.

📦 "Trop de boîtes incorrectes" (Détections fantômes)

Si l’écran est encombré de faux positifs, il faut rendre le modèle plus strict.

  • Augmenter Confidence : Remontez le Confidence Threshold pour filtrer les hypothèses peu sûres.

  • Rigueur textuelle : Augmentez le Text Threshold pour exiger une correspondance plus proche entre l’image et votre prompt.

  • Enlever l’ambiguïté : Évitez les prompts vagues comme “object” ou “item”. Si l’IA annote les ombres comme “parts”, décrivez les couleurs ou textures uniques de la pièce.

❓ "Le modèle YOLO ne détecte pas ma classe"

Les modèles YOLO standards sont pré-entraînés sur des jeux de données spécifiques.

  • COCO standard : Les modèles YOLO basiques ne reconnaissent que les 80 catégories COCO. Vos labels doivent correspondre exactement (ex. person, cell phone, chair, bottle).

  • Besoins personnalisés : Si vous devez détecter quelque chose de spécifique (ex. “scratched circuit board”), passez à un modèle Text-Prompt (comme Grounding DINO) ou entraînez un Custom YOLO.

🐌 "Le traitement est lent ou saccadé"

Les modèles vision sont gourmands en calcul.

  • Premier démarrage lent : Normal que la première exécution soit lente pendant le téléchargement et l’initialisation des modèles en mémoire.

  • Taille du modèle : Grounding DINO Base et OWLv2 Large sont précis mais lourds. Essayez une variante “Tiny” ou “Small” pour plus de rapidité.

  • Matériel : Assurez-vous qu’AugeLab utilise votre GPU. Exécuter de gros modèles IA sur CPU entraîne une latence importante.

💡 Toujours bloqué ?

Essayez l’AI Assistant dans AugeLab Studio. Décrivez votre vue caméra et l’aspect des boîtes actuelles ; il peut souvent suggérer la valeur décimale exacte pour vos seuils.

Voulez-vous que je crée une table “Threshold Cheat Sheet” qui explique précisément la différence entre Confidence et Text thresholds ?

Notes

  • Les réglages de Magic annotation sont sauvegardés et réutilisés lorsque vous appuyez sur T.

  • Si votre plan/licence impose des limites pour Magic annotation hors ligne, l’outil empêchera le batch processing une fois la limite atteinte.

PrécédentNotions de base de la fenêtre d'annotationSuivantAugmenter le dataset

Mis à jour