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

Après l'entraînement

Vous êtes désormais proche du déploiement de votre modèle — c’est le moment où vous transformez des “chiffres” en un modèle qui fonctionne réellement dans votre flux de travail.

1) Trouver les sorties de l’entraînement (weights + config + names)

À la fin de l’entraînement, les messages de log/statut indiquent où les sorties sont écrites.

Dans AugeLab Studio, les sorties d’entraînement sont généralement créées dans un dossier nommé :

XXX_config

juste à côté de votre dossier de dataset (où XXX est le nom du dossier dataset).

Structure typique :

XXX_config/
    XXX.names
    XXX.cfg
    backup/
        XXX_last.weights  (si disponible)
        XXX_best.weights  (si disponible)

Au minimum, conservez ensemble :

  • Fichier de poids : .weights (parfois il y a un fichier best et un last)

  • Fichier de configuration : .cfg

  • Fichier des noms de classes : .names

⚠️ Ne renommez pas / ne réordonnez pas les classes dans votre fichier .names après l'entraînement, sauf si vous remappez aussi les IDs des labels. L’ordre des classes doit correspondre aux label IDs.

Quel poids utiliser : best ou last ?

Si votre entraînement rapporte le mAP pendant l’entraînement, beaucoup de workflows YOLO/Darknet conservent un checkpoint “best so far”.

  • Utilisez best lorsque le mAP s’est amélioré puis a baissé (signe d’overfitting).

  • Utilisez last si l’entraînement s’est terminé alors que le mAP s’améliorait encore ou était stable.

Si vous n’avez pas de fichier “best”, prenez d’abord les weights finaux, puis validez.

2) Valider le modèle avant de le déployer

Avant d’intégrer le modèle dans la logique de production, effectuez une validation rapide.

Ensembles de validation recommandés :

  • Validation set : 30–100 images représentatives (bonnes et mauvaises conditions d’éclairage, flou, encombrement, cas limites).

  • Courtes vidéos ou images : un court enregistrement de la vraie caméra (si vous déployez sur une caméra fixe).

Ce que vous devez vérifier :

  • Le modèle détecte l’objet cible de façon cohérente.

  • Les boîtes sont “suffisamment bonnes” pour votre logique (pas besoin d’être parfaites).

  • Les faux positifs sont acceptables ou filtrables.

  • Les cas rares mais importants sont détectés.

⚠️ Un mAP élevé peut quand même échouer en production si votre split de validation était trop petit ou trop “propre”. La vérification sur un ensemble de validation réel empêche cela.

3) Charger le modèle dans Studio (inference)

Dans AugeLab Studio, l’étape suivante est généralement de construire (ou mettre à jour) un scénario .pmod qui exécute l’inférence.

A) Utiliser “Object Detection - Custom” (recommandé)

Utilisez ce nœud si vous souhaitez exécuter votre modèle YOLO/Darknet entraîné dans un workflow.

Workflow :

  1. Ajoutez Object Detection - Custom à votre graphe (catégorie AI Applications).

  2. Dans l’interface du bloc :

    • Cliquez sur Open Weight File et sélectionnez votre .weights

    • Cliquez sur Open Config File et sélectionnez votre .cfg

    • Cliquez sur Open Class File et sélectionnez votre .names

  3. Sélectionnez les classes que vous souhaitez détecter (liste à cocher).

  4. Réglez la Confidence Threshold (commencez autour de 0.5–0.8 et ajustez).

  5. Connectez une source d’image à l’entrée du bloc et prévisualisez la sortie.

Sorties exploitables dans votre logique :

  • Image de sortie avec détections dessinées

  • Object Count

  • Object Locations / Sizes

  • Object Classes

  • Rectangles

ℹ️ Si “Object Detection - Custom” n’est pas disponible, votre build peut ne pas avoir le support CUDA/OpenCV DNN activé. Essayez le bloc CPU ci‑dessous, ou installez les modules requis depuis le Module Downloader (voir ai-training.md).

B) Utiliser “Object Detection - Custom (CPU)” (solution de repli)

Utilisez ce bloc si vous voulez le même flux sans accélération GPU.

  • Il effectue l’inférence sur CPU, donc plus lent.

  • La configuration est la même : weights + cfg + names.

4) Ajuster les seuils (ce qui compte vraiment)

La plupart des améliorations “prêtes pour la production” proviennent du réglage des seuils, pas nécessairement d’un entraînement plus long.

Étapes pratiques de départ :

  • Augmentez le seuil de confiance si vous avez trop de faux positifs.

  • Diminuez le seuil de confiance si vous manquez des objets.

  • Évaluez sur le golden set et au moins un clip réel caméra.

⚠️ Ne faites pas de tuning sur une seule image. Ajustez toujours sur un petit ensemble. Sinon vous “overfitterez votre seuil” à une seule scène.

5) Packager pour le partage / la reproductibilité

Si vous voulez que le modèle soit réutilisable plus tard (ou par quelqu’un d’autre), empaquetez-le de façon réfléchie.

Structure de dossier recommandée :

Que mettre dans le README :

  • Sur quel dataset le modèle a été entraîné (version/date)

  • Signification des classes (si ambiguë)

  • Plage recommandée pour la confidence threshold

  • Cas d’échec connus (éblouissement, objets très petits, occlusion extrême)

ℹ️ Si votre scénario .pmod référence ces ressources, conservez-les comme ressources relatives de projet pour que le scénario reste portable. Voir aussi : headless-studio (comportement de chargement des ressources manquantes).

6) Si ça échoue en production (quoi faire ensuite)

Quand un modèle échoue après déploiement, la correction est généralement l’une des suivantes (dans cet ordre) :

  1. Collecter les échecs (sauvegarder les frames montrant le miss / le faux positif)

  2. Les annoter correctement

  3. Retrain ou fine-tune avec ces nouvelles données

C’est ainsi que les modèles deviennent robustes.

Modes d’échec courants et la correction la plus rapide

  • Faux positifs dus à la texture de fond → ajoutez des négatifs de cet environnement précis.

  • Misses sur objets petits → augmentez la taille d’entrée (si le GPU le permet) et collectez plus d’exemples d’objets petits.

  • Misses sous éblouissement / flou → ajoutez ces cas explicitement au dataset (ne comptez pas uniquement sur l’augmentation).

  • Boîtes systématiquement trop lâches / serrées → corrigez la cohérence du style d’annotation, puis ré-entraînez.

PrécédentQuand arrêter l'entraînementSuivantCréer des plugins

Mis à jour