Aller au contenu
English

Régler finement un détecteur sur quelques images

  • Leçon 15
  • 45 min
  • Module 4 : Détecter et compter

Où nous en sommes

Les détecteurs préentraînés connaissent les objets de leurs données d'entraînement, mais pas les cartons de Larkfield. Dans cette leçon, nous réglons finement un petit détecteur sur quelques photos de palettes étiquetées, sur processeur. Nous le comparons à un détecteur qui lit une requête textuelle.

Leçon 15 sur 30 · IA de vision : voir, compter et inspecterRégler finement un détecteur sur quelques images

Ce que vous saurez faire

Apprenez à un détecteur préentraîné à reconnaître les cartons de Larkfield avec 40 photos étiquetées. Il faut environ deux minutes sur le processeur d’un portable. Mesurez ses résultats avec l’AP et l’erreur de comptage. Comparez-le à un détecteur à vocabulaire ouvert qui trouve les cartons à partir d’un texte, sans aucune étiquette.

Carnet JupyterFaites cette leçon dans un carnet JupyterColab · Kaggle · GitHub · en anglais

Le carnet (notebook) Jupyter règle finement Faster R-CNN sur les 40 palettes d’entraînement et l’évalue sur les 30 palettes de test. Il réexécute aussi les boîtes englobantes enregistrées du détecteur à vocabulaire ouvert OWLv2. Ses cellules de préparation installent PyTorch et téléchargent les photos de palettes et les poids du détecteur (74 Mo). Prévoyez environ 45 minutes, dont environ 2 minutes d’entraînement sur le processeur d’un portable.

Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.

Avant de commencerCe qu’il faut savoir et avoir sous la mainEnviron 45 minutes

Ce que vous devez savoir

Ce qu’il vous faut sur votre ordinateur

  • Pour le carnet : rien. Il fonctionne dans Colab ou Kaggle, sur processeur.
  • Pour les étapes du projet : votre projet larkvision avec la commande vision count.

Testé avec Python 3.12, PyTorch 2.15.0 et torchvision 0.29.2 sur macOS (processeur Apple M4). Les commandes Windows sont les mêmes; elles n’ont pas été exécutées.

Rappelez-vous la nouvelle personne au supermarché. Elle connaît déjà les contours, les coins, le carton et les ombres. Elle n’a pas besoin de réapprendre à voir. Elle doit seulement apprendre une chose : à quoi ressemble un carton de Larkfield et où il se termine.

Hamid lui montre donc 40 palettes et pointe chaque carton. Après quelques passages, elle trouve les cartons seule.

Dans la dernière leçon, deux détecteurs COCO ont obtenu une AP50 de 0,000 et de 0,013 sur les palettes. Ils connaissent 80 classes, mais « carton » n’en fait pas partie.

Entraîner un nouveau détecteur à partir de zéro exige des milliers de photos étiquetées. Larkfield dispose de 40 palettes d’entraînement étiquetées, avec 817 boîtes englobantes.

Le réglage fin consiste à partir d’un modèle entraîné et à l’entraîner davantage sur vos propres données étiquetées. Nous ne modifions pas tout le modèle.

Une photo traverse trois blocs : le réseau de base (gris, pointillé, gelé), les propositions de régions (bleu, entraîné) et la tête de boîtes englobantes (bleu, entraînée, 2 classes : arrière-plan et carton).
Réglage fin de Faster R-CNN sur 40 photos de palettes : le réseau de base conserve ses acquis sans changer (gelé); les propositions de régions et la tête de boîtes englobantes apprennent la classe « carton ».
Description textuelle du diagramme

Un schéma montre un petit carré « photo » et trois blocs reliés par des flèches. Le premier bloc est le réseau de base (MobileNetV3, entraîné sur ImageNet et COCO). Il est gris, avec une bordure pointillée et les mots « gelé : non modifié ». Le deuxième bloc, les propositions de régions (où un objet pourrait se trouver), est bleu et « entraîné ». Le troisième bloc, la tête de boîtes englobantes, possède maintenant 2 classes : arrière-plan et carton. Il est bleu et « entraîné ».

  • Le réseau de base (backbone) transforme la photo en caractéristiques. Il connaît déjà les contours, les coins et les textures. Nous le gelons donc : ses nombres ne changent pas.
  • Les propositions de régions suggèrent des endroits où un objet pourrait se trouver. Elles apprennent où se trouvent habituellement les cartons de Larkfield.
  • La tête de boîtes englobantes nomme chaque région et ajuste sa boîte englobante. Nous la remplaçons par une nouvelle tête à deux classes : arrière-plan et carton.

Geler le réseau de base conserve ce qu’il a appris sur des millions de photos. Les 40 photos de palettes ne pourraient pas lui apprendre de meilleures caractéristiques et pourraient lui faire oublier les bonnes. Cela réduit aussi le nombre de valeurs à apprendre. Dans ce modèle, la partie gelée est plus petite que vous pourriez le croire. Le carnet affiche 15,982,677 of 18,930,229 numbers will learn (15 982 677 nombres sur 18 930 229 seront appris). Une partie entre le réseau de base et les propositions, la pyramide de caractéristiques, continue aussi d’apprendre.

Une époque correspond à un passage sur toutes les photos d’entraînement. Avec 40 photos et 12 époques, le détecteur voit 40 × 12 = 480 photos au total. Pour chaque photo, il calcule une perte : un nombre qui mesure les erreurs de ses boîtes englobantes et de ses classes. Chaque étape modifie un peu les nombres entraînés pour réduire la perte.

La moitié du temps, la photo est d’abord retournée de gauche à droite. Une palette retournée reste une palette. Le détecteur obtient donc plus de variété sans coût supplémentaire. C’est l’augmentation de données, comme dans L’apprentissage par transfert.

Larkfield : régler finement Faster R-CNN sur processeur

Section intitulée « Larkfield : régler finement Faster R-CNN sur processeur »

Dans le carnet, Priya règle finement Faster R-CNN MobileNetV3 de torchvision avec les paramètres du cours. Le réseau de base est gelé, l’entraînement dure 12 époques et les photos sont retournées. La cellule d’entraînement affiche une ligne par époque :

epoch 1: loss 1.490
epoch 2: loss 1.002
epoch 3: loss 0.931
epoch 4: loss 0.930
epoch 5: loss 0.824
epoch 6: loss 0.771
epoch 7: loss 0.775
epoch 8: loss 0.769
epoch 9: loss 0.700
epoch 10: loss 0.695
epoch 11: loss 0.681
epoch 12: loss 0.701
trained in 98 s

L’exécution de mesure du cours a pris 107 secondes, soit environ 1,8 minute, sur le même portable. Cette exécution du carnet en a pris 98. Votre durée sera différente. La cellule suivante évalue le détecteur sur les 30 palettes de test :

AP50 0.867 | count error at score 0.6: 2.5 | by crowding: {'loose': 0.2, 'medium': 0.4, 'tight': 6.9}

Les nombres sont les mêmes que dans l’exécution du cours : le code, la graine aléatoire et les photos sont identiques.

La perte baisse rapidement pendant les premières époques, puis lentement. Elle ne baisse pas à chaque époque : un petit jeu de photos fait fluctuer un peu la perte.

  • 40 photos, 12 époques
  • 10 photos, 30 époques
La perte d'entraînement des deux exécutions du cours. Avec 40 photos, elle passe de 1,49 à environ 0,70 en 12 époques (107 secondes). Avec 10 photos, elle passe de 1,94 à environ 0,8, avec plus de bruit, en 30 époques (60 secondes).
Description textuelle du graphique

Un graphique linéaire présente les époques de 1 à 30 horizontalement et la perte d’entraînement moyenne de 0 à 2 verticalement. La ligne bleue, pour 40 photos, compte 12 points : 1,49, 1,00, 0,93, 0,93, 0,82, 0,77, 0,77, 0,77, 0,70, 0,70, 0,68 et 0,70. La ligne orange, pour 10 photos, compte 30 points. Elle commence à 1,94, descend à environ 0,9 à l’époque 6, puis varie entre 0,71 et 0,99 jusqu’à l’époque 30. Elle y atteint 0,83.

Une faible perte d’entraînement n’est pas l’objectif. L’objectif est de bonnes boîtes englobantes sur des photos que le détecteur n’a jamais vues. Nous évaluons donc les résultats sur les 30 palettes de test.

Les mesures du cours :

Détecteur Photos étiquetées Entraînement AP50 mAP50–95 Erreur de comptage (seuil de score)
RT-DETR, COCO, sans réglage fin 0 aucun 0,013 0,011 19,73 (0,5)
Faster R-CNN, réglage fin 10 (197 boîtes englobantes) 30 époques, 60 s 0,705 0,339 5,0 (0,1)
Faster R-CNN, réglage fin 40 (817 boîtes englobantes) 12 époques, 107 s 0,867 0,451 2,5 (0,6)

Le seuil de score de chaque détecteur a été choisi sur les 20 palettes de validation. C’est le seuil qui donnait la plus faible erreur de comptage. Le détecteur entraîné sur 10 photos est moins sûr de lui. Son meilleur seuil est donc beaucoup plus bas : 0,1.

Quarante photos étiquetées et deux minutes sur processeur font passer l’AP50 de 0,013 à 0,867. La mAP50–95 est plus faible, à 0,451. Elle exige aussi des boîtes englobantes bien ajustées, avec une IoU de 0,75 ou plus. Pour le comptage, l’AP50 est la mesure importante : une boîte englobante doit couvrir le bon objet, sans précision au pixel près.

  • 40 photos
  • 10 photos
Précision selon le rappel des deux détecteurs réglés finement sur les 30 palettes de test. Toutes les boîtes englobantes sont classées par score décroissant, avec une IoU de 0,5. Le détecteur entraîné sur 40 photos garde une précision proche de 1,0 jusqu'à un rappel d'environ 0,6. L'AP est l'aire sous chaque courbe.
Description textuelle du graphique

Un graphique présente le rappel de 0 à 1 horizontalement et la précision de 0 à 1 verticalement. La courbe bleue, pour 40 photos, reste à une précision de 1,0 jusqu’à un rappel de 0,5. Elle atteint 0,99 à 0,6, 0,91 à 0,7, 0,79 à 0,8 et 0,59 à 0,9. Elle se termine à un rappel de 0,94 avec une précision de 0,44. La courbe orange pointillée, pour 10 photos, reste près de 1,0 jusqu’à un rappel de 0,3. Elle atteint 0,93 à 0,5, 0,84 à 0,6 et 0,69 à 0,7. Elle se termine à un rappel de 0,78 avec une précision de 0,57. L’AP50 est de 0,867 pour 40 photos et de 0,705 pour 10 photos.

Vérifiez deux de ces nombres avec votre projet :

  1. Allez dans votre dossier larkvision, avec l’environnement virtuel actif et LARKVISION_DATA défini (dans un nouveau terminal, consultez Découvrir les images de Larkfield). Comptez avec le détecteur entraîné sur 10 photos, à son seuil de validation :

    Fenêtre de terminal
    vision count --method finetuned-10 --score 0.1
    finetuned-10 (score >= 0.1): count error 5.0 boxes a photo (bias +2.93), exact on 40% of photos
    loose 10 photos: error 2.4, bias +2.4
    medium 10 photos: error 0.7, bias +0.7
    tight 10 photos: error 11.9, bias +5.7
    AP at IoU 0.5: 0.705; kept boxes that cover two boxes: 12
  2. Comparez avec le détecteur entraîné sur 40 photos, que vous avez exécuté dans Les boîtes englobantes et l’IoU : erreur de comptage de 2,5, de 6,9 sur les palettes serrées, AP de 0,867.

Quatre fois plus d’étiquettes divisent l’erreur de comptage par deux. Les palettes serrées restent les plus difficiles pour les deux détecteurs.

Erreur courante

La perte devient nan

Symptôme : la première exécution du cours sur 10 photos a affiché une perte normale pendant quatre époques. À l’époque 5, la perte était nan (« pas un nombre »). Dès qu’un nombre vaut nan, tous les nombres calculés à partir de lui valent aussi nan. Le modèle devient donc inutilisable à partir de cette étape.

Cause : une étape d’entraînement était trop grande. Avec seulement 10 photos, une photo malchanceuse peut produire une très grande erreur. L’étape suivante modifie alors tellement les nombres qu’ils dépassent les limites numériques. Après un seul nan, tous les nombres suivants valent aussi nan.

Correction : limitez la taille de chaque étape avec l’écrêtage du gradient (gradient clipping). Le cours ajoute une ligne avant chaque étape : torch.nn.utils.clip_grad_norm_(params, 5.0). Elle réduit une étape dont la taille dépasse 5 et laisse les plus petites inchangées. Grâce à elle, l’entraînement sur 10 photos s’est déroulé normalement (la ligne orange ci-dessus). Un taux d’apprentissage plus faible aide aussi, mais ralentit l’entraînement.

Conséquence pour le travail en IA : les petits jeux de données rendent l’entraînement instable. Affichez la perte de chaque époque, arrêtez dès qu’elle vaut nan et conservez cette protection dans le code après l’avoir ajoutée.

Aucune étiquette : un détecteur à vocabulaire ouvert

Section intitulée « Aucune étiquette : un détecteur à vocabulaire ouvert »

Les étiquettes demandent du temps. Existe-t-il un détecteur qui n’en a pas besoin?

Un détecteur à vocabulaire ouvert trouve des objets à partir d’un texte que vous écrivez, comme « a cardboard box » (un carton). Il fonctionne comme CLIP, vu dans CLIP en zéro exemple. Il place de petites régions de la photo et votre texte dans un même espace de nombres. Il conserve ensuite les régions dont les nombres sont proches de ceux du texte.

Le cours utilise OWLv2 (taille de base, Apache-2.0). C’est une version plus récente d’OWL-ViT. Grounding DINO est un autre détecteur bien connu; le cours n’utilise qu’un seul détecteur à vocabulaire ouvert. Le modèle d’OWLv2 occupe 620 Mo et prend environ 1,26 seconde par photo sur le processeur d’un portable. C’est environ 15 fois plus lent que le détecteur réglé finement (87 millisecondes).

Son seuil de score (0,075) et son seuil de NMS (0,3) ont été choisis sur les 20 palettes de validation. La méthode est la même que pour les détecteurs réglés finement. Exécutez-le avec votre projet :

Fenêtre de terminal
vision count --method owlv2 --score 0.075 --nms 0.3
owlv2 (score >= 0.075, NMS 0.3): count error 14.0 boxes a photo (bias -12.13), exact on 0% of photos
loose 10 photos: error 1.9, bias +1.9
medium 10 photos: error 3.2, bias -1.4
tight 10 photos: error 36.9, bias -36.9
AP at IoU 0.5: 0.364; kept boxes that cover two boxes: 109

Sur les palettes espacées, OWLv2 obtient de bons résultats sans étiquettes : une erreur de 1,9 carton par photo. Il ajoute souvent une boîte englobante autour de toute la palette et compte donc un peu trop de cartons. Sur les palettes serrées, il ne trouve presque rien : aucune boîte englobante sur 8 des 10 photos et une sur les 2 autres. L’erreur est de 36,9 et le biais de −36,9.

Quatre photos de palettes sur deux rangées. En haut, une palette espacée avec 9 cartons : OWLv2 trouve 10 boîtes englobantes, dont 9 correctes et une grande boîte englobante orange autour de toute la palette; le détecteur réglé finement trouve 9 boîtes englobantes correctes. En bas, une palette serrée avec 22 cartons : OWLv2 trouve 1 boîte englobante orange autour de toute la palette; le détecteur réglé finement trouve 22 boîtes englobantes, dont 21 correctes et 1 incorrecte.
OWLv2 avec le texte « a cardboard box » (un carton), un seuil de score de 0,075 et une NMS de 0,3, comparé au détecteur réglé finement sur 40 photos (seuil de score de 0,6). Les photos montrent la palette espacée S-061 et la palette serrée S-063. Bleu : boîte englobante correcte (IoU d'au moins 0,5); orange : boîte englobante incorrecte.
Description textuelle du diagramme

Quatre photos synthétiques de palettes. En haut à gauche, OWLv2 sur S-061 (9 cartons) : 9 boîtes englobantes bleues, une sur chaque carton, et une boîte englobante orange autour de toute la palette, soit 10 boîtes englobantes. En haut à droite, le détecteur réglé finement sur S-061 : 9 boîtes englobantes bleues. En bas à gauche, OWLv2 sur S-063 (22 cartons, serrés) : une seule boîte englobante orange autour de toute la palette. En bas à droite, le détecteur réglé finement sur S-063 : 22 boîtes englobantes, dont 21 bleues et 1 orange.

Sur une palette serrée, les cartons qui se touchent forment un grand bloc brun. Pour OWLv2, ce bloc correspond le mieux à « a cardboard box ». Le détecteur réglé finement a appris, à partir de 817 boîtes englobantes étiquetées, où un carton se termine et le suivant commence.

  • Réglage fin, 40 photos
  • Réglage fin, 10 photos
  • OWLv2, sans étiquettes
Erreur de comptage selon l'encombrement. Les trois détecteurs obtiennent de bons résultats sur les palettes espacées et moyennement serrées. Sur les palettes serrées, l'erreur est de 6,9 avec 40 photos étiquetées, de 11,9 avec 10 et de 36,9 sans étiquettes.
Description textuelle du graphique

Un graphique présente trois points horizontalement : espacées, moyennement serrées et serrées. Le détecteur réglé finement sur 40 photos a des erreurs de 0,2, 0,4 et 6,9. Avec 10 photos : 2,4, 0,7 et 11,9. OWLv2 sans étiquettes : 1,9, 3,2 et 36,9.

Réglage fin sur 40 photos Réglage fin sur 10 photos OWLv2, sans étiquettes
Erreur de comptage (palettes serrées) 2,5 (6,9) 5,0 (11,9) 14,0 (36,9)
Photos étiquetées (boîtes englobantes) 40 (817) 10 (197) 0
Entraînement sur le processeur d’un portable 107 s 60 s aucun
Temps processeur par photo 87 ms 99 ms 1 260 ms
Taille du modèle 74 Mo 74 Mo 620 Mo
Licence Code BSD-3-Clause; poids entraînés sur COCO identique Apache-2.0

Combien coûtent les étiquettes? Supposons qu’une personne dessine une boîte englobante en environ 5 secondes (une hypothèse; mesurez ce temps avec votre propre outil). Les 817 boîtes englobantes prennent environ 68 minutes. Le cours estime le coût du temps d’une personne à 30 $ US l’heure. Cela représente environ 34 $ US, une seule fois. Pour 10 photos (197 boîtes englobantes), comptez environ 16 minutes et 8 $ US.

Faites un réglage fin si vous avez un type d’objet fixe et quelques dizaines de photos à étiqueter. Les étiquettes coûtent peu et le détecteur est rapide sur processeur.

Utilisez un détecteur à vocabulaire ouvert pour commencer sans étiquettes, pour des objets séparés ou pour proposer des boîtes englobantes qu’une personne corrige ensuite. Cela réduit le temps d’étiquetage. Ne lui faites pas confiance dans les scènes encombrées.

N’utilisez aucun des deux seul si une erreur de comptage coûte cher. Sur les palettes serrées, même le meilleur détecteur se trompe de 6,9 cartons par photo. Prévoyez une vérification humaine dans ce cas.

Exercice guidé : faire un réglage fin dans le carnet

Section intitulée « Exercice guidé : faire un réglage fin dans le carnet »
  1. Ouvrez le carnet depuis l’encadré Faites cette leçon dans un carnet Jupyter en haut de cette page.
  2. Exécutez les cellules de préparation. La première installe PyTorch, ce qui peut prendre 2 minutes la première fois.
  3. Dans la section 1, exécutez la cellule. Vous voyez 40 training photos with 817 boxes; 30 test photos (40 photos d’entraînement avec 817 boîtes englobantes; 30 photos de test).
  4. Dans la section 2, exécutez la cellule. Elle affiche combien de nombres du détecteur seront appris.
  5. Dans la section 3, prédisez si la perte baisse à chaque époque. Exécutez ensuite la cellule. L’entraînement dure environ 2 minutes.
  6. Dans la section 4, exécutez les deux cellules. Vous voyez votre AP50, votre erreur de comptage et Check passed (vérification réussie) si votre AP50 est proche de 0,87.
  7. Dans la section 6, calculez l’erreur de comptage d’OWLv2 sur les palettes serrées dans owl_tight. La cellule de vérification affiche Check passed.

L’équipe de Hamid peut étiqueter 10 palettes cette semaine ou 40 palettes le mois prochain. À partir du tableau ci-dessus, prédisez pour chaque choix l’erreur de comptage sur les palettes serrées. Prédisez aussi le temps d’étiquetage à 5 secondes par boîte englobante. Dites ensuite quel choix vous feriez et pourquoi.

Afficher la réponse
  • 10 palettes : environ 16 minutes d’étiquetage (197 boîtes englobantes × 5 s). Erreur de comptage de 5,0 cartons par photo, de 11,9 sur les palettes serrées. AP50 de 0,705.
  • 40 palettes : environ 68 minutes (817 boîtes englobantes × 5 s). Erreur de comptage de 2,5, de 6,9 sur les palettes serrées. AP50 de 0,867.

Les 52 minutes d’étiquetage supplémentaires divisent l’erreur de comptage par deux. C’est peu coûteux comparé à un seul mauvais décompte de palette. Un bon plan : étiquetez 10 palettes cette semaine, faites un réglage fin et utilisez le détecteur avec une vérification humaine sur les palettes serrées. Étiquetez ensuite les 30 autres et refaites un réglage fin. Conservez l’écrêtage du gradient : l’entraînement sur 10 photos en a besoin.

Vérifiez votre compréhension

Pourquoi le cours gèle-t-il le réseau de base lors du réglage fin de Faster R-CNN sur 40 photos? Donnez deux raisons.

Afficher la réponse

Le réseau de base transforme déjà les photos en caractéristiques utiles : contours, coins, textures. Il les a apprises à partir de millions de photos. Les 40 photos de palettes ne peuvent pas lui en enseigner de meilleures. Geler le réseau protège ces caractéristiques : le modèle ne peut pas les oublier en s’ajustant aux 40 photos. Cela réduit aussi le nombre de valeurs à apprendre (ici, environ 16,0 millions sur 18,9 millions restent à apprendre). On économise ainsi du temps et des étiquettes. L’entraînement a pris 107 secondes sur le processeur d’un portable. Seules les propositions de régions et la nouvelle tête de prédiction des boîtes englobantes apprennent, avec les classes arrière-plan et carton.

Vérifiez votre compréhension

OWLv2 compte les cartons avec une erreur de 1,9 sur les palettes espacées, contre 36,9 sur les palettes serrées. Expliquez cette différence et dites comment vous utiliseriez OWLv2 chez Larkfield.

Afficher la réponse

OWLv2 apparie des régions de la photo avec le texte « a cardboard box » (un carton). Sur une palette espacée, chaque carton est distinct et constitue une bonne correspondance. Sur une palette serrée, les cartons qui se touchent ressemblent à un grand bloc brun. Le bloc entier est alors la meilleure correspondance : OWLv2 ne renvoie aucune boîte englobante ou en renvoie une seule. Il n’a jamais appris où se termine un carton de Larkfield. Utilisez-le pour proposer des boîtes englobantes avant d’avoir des étiquettes, par exemple pour accélérer l’étiquetage. Ne l’utilisez jamais pour compter les cartons sur les palettes serrées.

Vérifiez votre compréhension

Un collègue entraîne un détecteur sur 10 photos et annonce une erreur de comptage de 3,1 sur les palettes de test. Il a choisi son seuil de score en essayant plusieurs seuils sur les photos de test. Quel est le problème, et que devrait-il faire?

Afficher la réponse

Il a choisi le seuil sur les photos utilisées pour mesurer le résultat annoncé. Le résultat est donc trop bon : il a été ajusté à ces 30 photos. Le cours a choisi chaque seuil sur les 20 palettes de validation. Ensuite seulement, il a mesuré le résultat une fois sur les palettes de test (erreur de comptage de 5,0 pour 10 photos). Le collègue devrait choisir le seuil sur les photos de validation, le conserver et annoncer le résultat de test une fois.

Récapitulatif

  • Le réglage fin part d’un détecteur entraîné et entraîne une partie de celui-ci avec vos étiquettes. Le réseau de base est gelé, avec une nouvelle tête de prédiction des boîtes englobantes (arrière-plan, carton). Avec 40 photos et 107 secondes sur processeur, on obtient une AP50 de 0,867 et une erreur de comptage de 2,5.
  • Avec 10 photos (60 secondes, 30 époques), l’AP50 est de 0,705 et l’erreur de comptage de 5,0. Le premier entraînement a échoué (perte nan, valeur non numérique). L’écrêtage du gradient a résolu le problème en limitant chaque pas.
  • Le seuil de score est choisi sur les photos de validation : 0,6 pour 40 photos, 0,1 pour 10.
  • Un détecteur à vocabulaire ouvert (OWLv2, « a cardboard box ») n’a besoin d’aucune étiquette. Son erreur est de 1,9 sur les palettes espacées, mais de 36,9 sur les palettes serrées. Les cartons qui se touchent y ressemblent à un seul carton. Le modèle occupe 620 Mo et prend 1,26 seconde par photo.
  • Les étiquettes coûtent peu ici : environ 68 minutes pour 817 boîtes englobantes, en supposant 5 secondes par boîte englobante.

Vous pouvez maintenant construire un détecteur pour les cartons de Larkfield et en préciser le coût. Mais Hamid ne veut pas de boîtes englobantes : il veut un nombre. Le détecteur a encore du mal avec les palettes serrées. Ensuite, nous comparons le comptage à partir des boîtes englobantes à deux méthodes qui ne trouvent aucune boîte englobante.

Leçon suivante : Le comptage, et le suivi en bref