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

Entraîner des modèles de détection d'objets (YOLO)

La Object Detection Training Window entraîne des modèles de détection d'objets basés sur YOLO en utilisant votre jeu de données annoté.

L'entraînement est optimal avec une Nvidia GPU compatible et le package AI/GPU d'AugeLab Studio activé.

Si la fenêtre d'entraînement est désactivée ou affiche des erreurs de runtime/dépendances manquantes, ouvrez la Module Downloader Window et installez les outils AI requis.

Prise en main

  1. Lancez AugeLab Studio.

  2. Ouvrez AI Tools → Object Detection Training Window

  3. Préparez :

    • un dataset folder et un class names file créés avec l’Annotation Tool d’AugeLab Studio (voir comment)

    • ou un dataset folder contenant des images et des fichiers d’étiquettes YOLO (.txt) dans le même dossier

    • un class names file au format .names (une classe par ligne)

La fenêtre d'entraînement scanne votre dataset et affiche les Dataset Analytics (nombre total d’images, comptes annotées/non annotées et la liste des classes) pour vous aider à détecter les erreurs tôt.

1) Configuration

La fenêtre d'entraînement actuelle utilise un panneau Configuration simple au lieu d'un flux de travail uniquement basé sur des menus.

Select Dataset Folder

Choisissez le dossier contenant vos images d'entraînement.

Remarques :

  • Seuls les fichiers dans ce dossier sont utilisés (gardez vos images d'entraînement dans un seul dossier)

  • Extensions d'images prises en charge : .jpg, .jpeg, .png, .bmp, .tiff, .tif

Select Class Names File (.names)

Choisissez votre fichier de classes.

Si le fichier .names est vide, la fenêtre d'entraînement le considérera comme une erreur. Assurez-vous qu'il contient une classe par ligne.

Model Type

Choisissez une variante dans Model Type.

En général :

  • Les variantes Robust Ones sont plus lentes mais peuvent atteindre une plus grande précision ; YOLOv4-Scaled est un bon choix par défaut

  • Les variantes Fast s’entraînent plus rapidement et sont plus adaptées aux PC peu performants

  • Micro / Nano sont conçues pour des modèles très petits / type edge device

Optional: Custom Weights

Vous pouvez démarrer à partir de poids personnalisés/pré-entraînés (Darknet .weights / backbone .conv.*).

Cas d'usage pertinents :

  • Reprendre une précédente exécution

  • Convergence plus rapide sur des datasets similaires

Si vous changez Model Type, il est recommandé de vider et de re-sélectionner des weights correspondant au modèle choisi.

2) Advanced Settings

Advanced Settings vous permet d’ajuster le comportement d'entraînement (utilisation mémoire, vitesse et précision).

Les réglages les plus importants :

  • Dataset Split Ratio (Train/Val) : proportion des données utilisées pour la validation (impacte le reporting mAP)

  • Network Input Size (Width/Height) : plus grand peut aider pour les petits objets, mais utilise plus de VRAM et ralentit l'entraînement

  • Batch Size / Subdivisions : paramètres principaux liés à la mémoire GPU

    • Si vous voyez « Out of Memory », augmentez subdivisions ou diminuez batch size

  • Recalculate Anchors : peut améliorer les résultats sur des datasets personnalisés (recommandé pour les nouveaux datasets)

  • Calculate Optimal Network Size : assistant optionnel d'auto-sélection

  • GPUs to Use : pour systèmes multi-GPU (ex. 0 ou 0,1)

  • mAP During Training : affiche la progression de la précision mais peut ralentir légèrement l'entraînement

  • Clear Previous Training : démarrer proprement ou reprendre

  • Live Augmentation Options : applique des variations à la volée pendant l'entraînement (ne crée pas de fichiers supplémentaires)

3) Démarrer / Arrêter l'entraînement

Une fois le Dataset et les Classes valides, le bouton principal devient actif.

  1. Cliquez sur Start Training

  2. Surveillez :

    • la zone Log (console de sortie)

    • la fenêtre Training Chart (loss / mAP)

  3. Cliquez sur Stop Training pour arrêter le processus

Training Logging

Fermer la fenêtre d'entraînement pendant qu'un training est en cours terminera le processus d'entraînement.

Après l'entraînement

Quand l'entraînement se termine (ou si vous l'arrêtez), vérifiez le répertoire de sortie indiqué dans les messages de log/statut.

Étapes suivantes recommandées :

  • Charger votre modèle entraîné dans votre workflow (inference)

  • Valider les résultats sur un jeu de test séparé ou des séquences caméra réelles

PrécédentAprès l'annotationSuivantQuand arrêter l'entraînement

Mis à jour