Aller au contenu
English

Les détecteurs préentraînés

  • Leçon 14
  • 40 min
  • Module 4 : Détecter et compter

Où nous en sommes

Nous pouvons maintenant évaluer une boîte englobante avec l'IoU. Ensuite, nous évaluons un détecteur complet. Dans cette leçon, nous exécutons un détecteur torchvision et RT-DETR sur des photos de palettes. Nous lisons la mAP par taille d'objet et examinons la licence des modèles YOLO populaires.

Leçon 14 sur 30 · IA de vision : voir, compter et inspecterLes détecteurs préentraînés

Ce que vous saurez faire

Exécutez des détecteurs que d’autres ont entraînés sur des photos du quotidien. Lisez ce qu’ils trouvent sur les palettes de Larkfield. Évaluez un détecteur complet avec un seul nombre : la précision moyenne (AP), par taille d’objet. Puis décidez si la licence d’un détecteur populaire convient à un produit fermé.

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

Le carnet (notebook) Jupyter exécute Faster R-CNN de torchvision sur trois photos de palettes. Il réexécute les boîtes englobantes enregistrées de Faster R-CNN et RT-DETR sur les 30 photos de test. Il calcule ensuite l’AP par taille d’objet. Ses cellules de préparation installent PyTorch et téléchargent les photos de palettes et les poids du détecteur (74 Mo). Aucune préparation locale n’est donc nécessaire. Environ 40 minutes; les cellules s’exécutent en moins d’une minute après la préparation.

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 40 minutes

Ce que vous devez savoir

Ce qu’il vous faut sur votre ordinateur

  • Pour le carnet Jupyter : rien. Il s’exécute dans Colab ou Kaggle.
  • Pour les étapes du projet : votre projet larkvision avec la commande vision count de la leçon précédente.

Testé avec Python 3.12, PyTorch 2.15.0 et torchvision 0.29.2 sur macOS. Les commandes Windows sont identiques; elles n’ont pas été exécutées.

Une nouvelle personne rejoint l’équipe de l’entrepôt de Hamid. Avant, elle travaillait dans un grand supermarché. Elle connaît des milliers de produits par leur nom : bouilloires, claviers, horloges, réfrigérateurs. Le premier jour, elle regarde une palette de cartons bruns ordinaires de Larkfield. Elle n’a jamais trié ces cartons. Elle nomme donc ce qu’elle connaît : « celui-là ressemble à un réfrigérateur ».

Un détecteur préentraîné ressemble à cette personne. Il a appris à partir de nombreuses photos, mais seulement les classes présentes dans ces photos.

Le problème : entraîner un détecteur à partir de zéro coûte cher

Section intitulée « Le problème : entraîner un détecteur à partir de zéro coûte cher »

Un détecteur apprend à partir de photos où une personne a dessiné chaque boîte englobante. Pour apprendre à quoi ressemble « un objet », il lui faut plusieurs milliers de ces photos. Larkfield possède 40 photos de palettes étiquetées.

Nous commençons donc avec un détecteur que quelqu’un d’autre a entraîné. Un modèle préentraîné est un modèle déjà entraîné sur un grand jeu de données public. Nous pouvons l’utiliser tel quel ou l’adapter (dans la prochaine leçon).

La plupart des détecteurs publics sont entraînés sur COCO (Common Objects in Context). C’est un grand jeu public de photos du quotidien avec des boîtes englobantes pour 80 classes. Elles comprennent : personne, voiture, bouteille, chaise, horloge, clavier, panneau d’arrêt et plus encore. « Carton » et « carton » n’en font pas partie.

Nous essayons deux détecteurs, tous deux entraînés sur COCO :

Détecteur Fonctionnement Licence Temps par photo sur un processeur
Faster R-CNN avec un réseau de base MobileNetV3 (torchvision) Deux étapes : proposer des régions pouvant contenir un objet, puis nommer chaque région et corriger sa boîte englobante Code BSD-3-Clause; poids entraînés sur COCO 138 ms
RT-DETR R18 Un transformeur qui renvoie un ensemble fixe de boîtes englobantes en un passage; il apprend à fournir une boîte englobante par objet Apache-2.0 129 ms

Le réseau de base (backbone) est la partie du réseau qui transforme les pixels en caractéristiques. Ce sont des listes de nombres qui décrivent de petites zones de la photo. C’est ce que présente La convolution et les fragments en une leçon. Les temps sont mesurés sur le processeur d’un portable, une photo à la fois.

Dans le carnet Jupyter, Priya exécute Faster R-CNN sur trois palettes de test :

for sid in ("S-061", "S-063", "S-085"):
found = [f"{c} {s}" for c, s, _ in detect(sid) if s >= 0.5]
print(sid, images[sid]["crowding"], images[sid]["count"], "boxes ->", found or "nothing at score 0.5")
S-061 loose 9 boxes -> nothing at score 0.5
S-063 tight 22 boxes -> ['clock 0.87']
S-085 loose 7 boxes -> ['train 0.53']

L’équipe du cours a exécuté les deux détecteurs une fois sur les 30 photos de test et enregistré chaque boîte englobante. Voici les classes qu’ils ont trouvées avec un score d’au moins 0,5 :

Ce que RT-DETR appelle les cartons de Larkfield : 13 panneaux d'arrêt, 9 claviers, 4 trains et 1 réfrigérateur. Faster R-CNN (non illustré) trouve 2 trains et 1 horloge. Aucun ne trouve un seul « carton », car COCO n'a pas cette classe.
Description textuelle du graphique

Un diagramme avec quatre colonnes. RT-DETR a trouvé 13 panneaux d’arrêt, 9 claviers, 4 trains et 1 réfrigérateur sur les 30 palettes de test. Leur score est d’au moins 0,5. Faster R-CNN, absent du diagramme, a trouvé 2 trains et 1 horloge.

Trois photos de palettes. À gauche : un rectangle orange autour de toute la palette, étiqueté clock 0.87 (horloge). Au centre : deux cartons du haut étiquetés stop sign 0.68 et stop sign 0.58 (panneau d'arrêt). À droite : un rectangle autour d'une palette encombrée, étiqueté keyboard 0.95 (clavier).
Boîtes englobantes enregistrées avec un score d'au moins 0,5. Faster R-CNN appelle toute la palette serrée S-063 une horloge. RT-DETR appelle deux cartons du haut de S-067 des panneaux d'arrêt, et toute la palette S-075 un clavier. Notre code dessine les photos de palettes (synthétiques).
Description textuelle du diagramme

Trois photos de palettes synthétiques côte à côte. Sur S-063, une palette serrée de 22 cartons, Faster R-CNN dessine un rectangle autour de toute la palette. Il lui donne la classe horloge et le score 0,87. Sur S-067, une palette moyenne avec de grands cartons, RT-DETR dessine deux rectangles sur les deux cartons en haut à droite. Il leur donne la classe panneau d’arrêt et les scores 0,68 et 0,58. Sur S-075, une palette serrée de 46 cartons, RT-DETR dessine un rectangle autour de toute la palette. Il lui donne la classe clavier et le score 0,95.

Ces suppositions sont logiques. Une palette serrée est une grille de petits rectangles, comme un clavier. Un carton avec une étiquette blanche, vu de face, a la forme d’un panneau routier. Les détecteurs ne sont pas défectueux. Ils répondent à la question sur laquelle ils ont été entraînés.

La précision moyenne : un nombre pour un détecteur complet

Section intitulée « La précision moyenne : un nombre pour un détecteur complet »

Pour comparer les détecteurs, il nous faut un nombre qui couvre toutes les photos. Le comptage est une façon de les évaluer. La précision moyenne (AP) est la mesure habituelle.

Placez toutes les boîtes englobantes de toutes les photos dans une liste, par score décroissant. Parcourez la liste. À chaque boîte englobante, demandez : est-elle correcte? Il faut une IoU d’au moins 0,5 avec une vraie boîte englobante encore disponible. Après chaque boîte englobante, calculez :

  • Précision : la part des boîtes englobantes correctes parmi les boîtes englobantes examinées jusqu’ici.
  • Rappel : la part de toutes les vraies boîtes englobantes trouvées jusqu’ici.

Un bon détecteur garde une précision élevée pendant que son rappel augmente. L’AP mesure l’aire sous la courbe de précision en fonction du rappel. Une valeur de 1,0 est parfaite : toutes les vraies boîtes englobantes sont trouvées avant la première boîte englobante incorrecte.

Un exemple construit : 5 vraies boîtes englobantes et un détecteur qui renvoie 6 boîtes englobantes.

Boîte englobante (meilleure en premier) Correcte? Correctes jusqu’ici Précision Rappel
1 oui 1 1 ÷ 1 = 1,00 1 ÷ 5 = 0,20
2 oui 2 2 ÷ 2 = 1,00 0,40
3 non 2 2 ÷ 3 = 0,67 0,40
4 oui 3 3 ÷ 4 = 0,75 0,60
5 non 3 3 ÷ 5 = 0,60 0,60
6 oui 4 4 ÷ 6 = 0,67 0,80

Une vraie boîte englobante n’est jamais trouvée, donc le rappel s’arrête à 0,80. À chaque palier de rappel, l’AP prend la meilleure précision encore possible à partir de ce point :

AP ≈ 0,2 × 1,00 + 0,2 × 1,00 + 0,2 × 0,75 + 0,2 × 0,67 = 0,68

  • Précision à chaque boîte englobante
  • Meilleure précision à partir d'ici
L'exemple construit : la précision en fonction du rappel après chacune des 6 boîtes englobantes (points), et la courbe en escalier mesurée par l'AP (tirets). L'AP est l'aire sous la courbe en tirets : environ 0,68.
Description textuelle du graphique

Un graphique avec le rappel de 0 à 1 à l’horizontale et la précision de 0 à 1 à la verticale. Six points : (0,2; 1,00), (0,4; 1,00), (0,4; 0,67), (0,6; 0,75), (0,6; 0,60) et (0,8; 0,67). Une ligne en escalier en tirets reste à 1,00 jusqu’au rappel 0,4. Elle passe à 0,75 jusqu’à 0,6, puis à 0,67 jusqu’à 0,8, avant de descendre à 0. L’aire sous cette ligne est d’environ 0,68.

La fonction utilitaire du cours cp.average_precision fait la même chose avec 101 points de rappel, comme COCO. Pour cet exemple, elle donne 0,686.

Vous lirez ces noms dans les fiches de modèle (model cards) :

  • AP50 (ou AP à IoU 0,5) : l’AP avec un seuil d’IoU de 0,5.
  • mAP : la moyenne de l’AP sur toutes les classes. Larkfield a une seule classe, « carton », donc la mAP égale l’AP.
  • mAP50–95 : la moyenne de l’AP à dix seuils d’IoU, 0,50, 0,55, … 0,95. Elle récompense les boîtes englobantes qui épousent bien les objets. COCO publie cette mesure.

La mAP d’une fiche de modèle provient des photos de COCO, pas des vôtres. Pour votre tâche, c’est une affirmation du fournisseur tant que vous ne la mesurez pas sur vos propres photos.

COCO sépare les objets selon leur aire : petits (moins de 32 × 32 pixels), moyens (jusqu’à 96 × 96) et grands. Les détecteurs manquent souvent les petits objets. L’AP par taille montre donc les faiblesses d’un détecteur.

Les 619 boîtes englobantes de test des palettes comprennent 0 petite, 566 moyennes et 53 grandes. Pour les palettes, l’AP des « petites » boîtes englobantes ne peut donc pas être calculée. Sur une photo d’étagère avec beaucoup de petits produits, l’AP des petits objets est la mesure à surveiller.

Larkfield : l’AP et les décomptes des détecteurs COCO

Section intitulée « Larkfield : l’AP et les décomptes des détecteurs COCO »

Le tableau comparatif contient déjà les deux détecteurs. Exécutez-les avec votre projet. Chaque boîte englobante de n’importe quelle classe avec un score d’au moins 0,5 compte comme une boîte englobante :

  1. Dans votre dossier larkvision, avec l’environnement virtuel actif, comptez avec Faster R-CNN :

    Fenêtre de terminal
    vision count --method fasterrcnn-coco --score 0.5
    fasterrcnn-coco (score >= 0.5): count error 20.53 boxes a photo (bias -20.53), exact on 0% of photos
    loose 10 photos: error 8.0, bias -8.0
    medium 10 photos: error 16.6, bias -16.6
    tight 10 photos: error 37.0, bias -37.0
    AP at IoU 0.5: 0.000; kept boxes that cover two boxes: 11
  2. Comptez avec RT-DETR :

    Fenêtre de terminal
    vision count --method rtdetr-coco --score 0.5
    rtdetr-coco (score >= 0.5): count error 19.73 boxes a photo (bias -19.73), exact on 0% of photos
    loose 10 photos: error 6.8, bias -6.8
    medium 10 photos: error 16.1, bias -16.1
    tight 10 photos: error 36.3, bias -36.3
    AP at IoU 0.5: 0.013; kept boxes that cover two boxes: 203

L’AP50 est de 0,000 pour Faster R-CNN et de 0,013 pour RT-DETR. Le biais égale l’erreur avec un signe moins : ils comptent beaucoup trop peu de cartons sur chaque photo. Sur les boîtes englobantes moyennes, l’AP50 de RT-DETR est de 0,042, et sur les grandes, de 0,067. Votre carnet Jupyter calcule ces valeurs.

Les palettes ont environ 21 cartons par photo (619 ÷ 30 = 20,6). Une erreur de comptage d’environ 20 signifie que les détecteurs ne trouvent presque rien. Ils ne font pas mieux que répondre « 0 » chaque fois.

Erreur courante

Chercher une classe qui n'existe pas

Symptôme : Tomás garde seulement les boîtes englobantes dont la classe est « box » (carton), pour retirer les panneaux d’arrêt. Chaque palette obtient un décompte de 0.

Cause : COCO n’a pas de classe « box ». Le détecteur ne peut pas renvoyer une classe qu’il n’a jamais apprise. Ce filtre supprime tout. L’erreur de comptage est alors le décompte réel moyen : 20,6 cartons par photo.

Correction : lisez la liste des classes du modèle avant de l’utiliser. torchvision la présente dans weights.meta["categories"]; une fiche de modèle sur Hugging Face la présente dans la configuration du modèle. Si votre classe n’y figure pas, il vous faut un détecteur qui lit un texte (la prochaine leçon). Vous pouvez aussi utiliser des photos étiquetées pour le régler finement.

Conséquence pour le travail en IA : les sorties d’un modèle préentraîné se limitent à ses étiquettes d’entraînement. « C’est un modèle performant » ne dit rien sur vos étiquettes. Vérifiez d’abord lesquelles sont communes.

Vous rencontrerez YOLO (« You Only Look Once », soit « vous ne regardez qu’une fois ») dans presque tous les articles sur la détection. Les modèles YOLO regardent toute la photo une fois et renvoient toutes les boîtes englobantes en un passage, ce qui les rend rapides. Les versions les plus connues aujourd’hui viennent de l’entreprise Ultralytics, avec un paquet Python facile à utiliser.

Ce cours n’utilise pas YOLO d’Ultralytics. La raison est sa licence, pas sa qualité.

Ultralytics publie son code YOLO et ses poids sous la GNU Affero General Public License version 3 (AGPL-3.0) (son fichier de licence). C’est une licence à réciprocité (copyleft) : vous pouvez utiliser et modifier le code. Mais si vous partagez un programme construit avec ce code, vous devez partager son code source sous la même licence. La partie « Affero » ajoute une règle liée au réseau. Si des utilisateurs interagissent avec votre programme par un réseau, par exemple avec un service web, vous devez aussi leur offrir son code source (AGPL-3.0, section 13).

Pour un produit fermé, comme le service d’images interne de Larkfield, cela pose un problème. Y utiliser YOLO d’Ultralytics pourrait obliger Larkfield à publier le code du service. Ultralytics vend une licence d’entreprise qui retire cette obligation.

Choix Ce que vous pouvez faire Ce que cela coûte
Détecteurs torchvision (code BSD-3-Clause) Utiliser dans un produit fermé; conserver l’avis de licence Vérifier aussi les données d’entraînement des poids
RT-DETR de Hugging Face (Apache-2.0) Utiliser dans un produit fermé; conserver l’avis La même vérification
YOLO d’Ultralytics sous AGPL-3.0 L’utiliser, mais partager votre code source avec vos utilisateurs, aussi par un réseau Votre code devient ouvert
YOLO d’Ultralytics avec une licence d’entreprise Utiliser dans un produit fermé Des frais de licence

D’autres modèles de type YOLO viennent d’autres auteurs, sous d’autres licences. Vérifiez chacun.

Ce texte n’est pas un avis juridique. Les conditions des licences changent : lisez la page de licence actuelle de chaque modèle. Consultez votre équipe juridique avant de livrer le produit. Une licence couvre aussi seulement le code et les poids. Les photos qui ont servi à entraîner les poids ont leurs propres conditions. Quand ne pas le construire revient sur ce sujet.

Utilisez-le tel quel si vos objets figurent dans sa liste de classes et ressemblent à ses photos d’entraînement. Un détecteur COCO connaît « chair » (chaise), « bowl » (bol), « vase » et « potted plant » (plante en pot). Il peut donc trouver certains produits du catalogue de Larkfield sans entraînement. Évaluez-le d’abord sur vos propres photos.

Ne l’utilisez pas tel quel si vos objets ne figurent pas dans sa liste de classes, comme les cartons des palettes. Ses scores ne signifient alors rien pour vous : RT-DETR est sûr à 0,95 qu’une palette est un clavier.

Ce que cela coûte : aucune étiquette et aucun entraînement. Environ 130 millisecondes par photo sur le processeur d’un portable, et un modèle de 74 à 81 Mo. Il faut aussi vérifier les licences du code, des poids et de leurs données d’entraînement.

Exercice guidé : les détecteurs préentraînés dans le carnet Jupyter

Section intitulée « Exercice guidé : les détecteurs préentraînés dans le carnet Jupyter »
  1. Ouvrez le carnet Jupyter de 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 30 photos, 619 true boxes (30 photos, 619 vraies boîtes englobantes).
  4. Dans la section 2, prédisez ce que le détecteur dira d’une palette. Puis exécutez la cellule. Elle télécharge les poids (74 Mo) et affiche ce qu’elle trouve sur trois photos.
  5. Dans la section 3, exécutez la cellule. Vous voyez les classes des deux détecteurs avec un score d’au moins 0,5.
  6. Dans la section 4, exécutez la cellule. Vous voyez les AP50 0.000 et 0.013, ainsi que les vraies boîtes englobantes par taille.
  7. Dans la section 5, calculez l’AP de RT-DETR sur les boîtes englobantes moyennes dans ap_medium. La cellule de vérification affiche Check passed (vérification réussie).

Les décomptes ci-dessus utilisaient un seuil de score de 0,5. Prédisez : si vous abaissez le seuil de score à 0,1, l’erreur de comptage de RT-DETR augmentera-t-elle ou diminuera-t-elle? Son AP changera-t-elle? Puis exécutez vision count --method rtdetr-coco --score 0.1.

Afficher la réponse

L’AP ne change pas : elle est calculée à partir de chaque boîte englobante enregistrée, à tous les scores. Le seuil de score n’y joue donc aucun rôle. Elle reste à 0,013.

L’erreur de comptage change, car plus de boîtes englobantes franchissent le seuil :

rtdetr-coco (score >= 0.1): count error 16.27 boxes a photo (bias -0.8), exact on 0% of photos
loose 10 photos: error 7.5, bias +6.5
medium 10 photos: error 19.5, bias +11.9
tight 10 photos: error 21.8, bias -20.8
AP at IoU 0.5: 0.013; kept boxes that cover two boxes: 3621

L’erreur passe de 19,73 à 16,27, et le biais est presque de 0. Cela semble mieux, mais ce n’est pas le cas. Les palettes espacées et moyennes obtiennent maintenant trop de boîtes englobantes, et les palettes serrées, encore beaucoup trop peu. Les deux effets s’annulent dans le biais. Les boîtes englobantes supplémentaires sont encore des panneaux d’arrêt, des claviers et d’autres suppositions. Un seuil plus bas peut améliorer un décompte sans améliorer le détecteur. Regardez toujours l’AP, ou les boîtes englobantes correctes et incorrectes, en plus du décompte.

Vérifiez votre compréhension

Un détecteur renvoie 4 boîtes englobantes, les meilleures d'abord : correcte, incorrecte, correcte, correcte. Il y a 4 vraies boîtes englobantes. Calculez la précision et le rappel après chaque boîte englobante.

Afficher la réponse

Après la boîte englobante 1 : précision 1 ÷ 1 = 1,00, rappel 1 ÷ 4 = 0,25. Après la boîte englobante 2 : 1 ÷ 2 = 0,50, rappel 0,25. Après la boîte englobante 3 : 2 ÷ 3 = 0,67, rappel 0,50. Après la boîte englobante 4 : 3 ÷ 4 = 0,75, rappel 0,75. Une vraie boîte englobante n’est jamais trouvée, donc le rappel s’arrête à 0,75. À partir de chaque valeur de rappel, la meilleure précision est de 1,00, 0,75 et 0,75. Donc, AP ≈ 0,25 × 1,00 + 0,25 × 0,75 + 0,25 × 0,75 = 0,625. Les 101 points de rappel de la fonction utilitaire donnent 0,629.

Vérifiez votre compréhension

RT-DETR a une confiance de 0,95 que la palette S-075 est un clavier. Tomás dit : « Un score de 0,95 signifie que la réponse est presque certainement correcte. » Pourquoi ce raisonnement est-il faux?

Afficher la réponse

Un score indique la confiance du détecteur parmi les classes qu’il connaît. Ce n’est pas la probabilité que la réponse soit correcte pour votre tâche. RT-DETR connaît 80 classes COCO, mais aucune classe « carton ». Pour une grille de petits rectangles, « clavier » est sa meilleure correspondance, donc sa confiance est élevée. Sur les 30 palettes, son AP50 pour les cartons est de 0,013. Les scores deviennent utiles seulement après leur évaluation sur vos propres photos.

Vérifiez votre compréhension

Omar veut intégrer Ultralytics YOLO au service d'images à code fermé de Larkfield, que le personnel utilise depuis une page Web. Que doit-il savoir sur la licence AGPL-3.0, et quelles sont ses options?

Afficher la réponse

AGPL-3.0 est une licence copyleft (à réciprocité) avec une règle pour les réseaux. Si des utilisateurs interagissent par réseau avec un programme basé sur ce code, son code source doit leur être offert. Il doit l’être sous la même licence. Un service Web utilisé par le personnel correspond à ce cas. Omar a trois options. Il peut publier le code du service sous AGPL-3.0. Il peut acheter la licence d’entreprise d’Ultralytics. Ou il peut utiliser un détecteur sous licence permissive, comme Faster R-CNN de torchvision (BSD-3-Clause) ou RT-DETR (Apache-2.0). Il doit aussi vérifier les conditions d’utilisation des photos qui ont servi à apprendre les poids. Il devrait consulter l’équipe juridique et lire la page actuelle de la licence avant de décider.

Récapitulatif

  • Un détecteur préentraîné connaît seulement ses classes d’entraînement. COCO en compte 80, mais aucune classe « carton ».
  • Sur les palettes, Faster R-CNN trouve une horloge et des trains (AP50 de 0,000). RT-DETR trouve 13 panneaux d’arrêt, 9 claviers, 4 trains et 1 réfrigérateur (AP50 de 0,013). Les deux manquent environ 20 cartons par photo.
  • L’AP est l’aire sous la courbe précision-rappel de toutes les boîtes englobantes, classées du meilleur score au moins bon. La mAP50–95 en fait la moyenne pour des seuils d’IoU de 0,50 à 0,95. Présentez les résultats par taille d’objet.
  • Ultralytics YOLO est sous AGPL-3.0. Un produit à code fermé qui l’utilise doit partager son code source, même sur un réseau, sauf si vous achetez une licence. Ce cours utilise des détecteurs sous BSD-3-Clause et Apache-2.0.

Vous pouvez maintenant évaluer un détecteur complet avec l’AP et lire sa licence. Mais aucun des deux détecteurs ne connaît les cartons de Larkfield. Ensuite, nous enseignons la classe « carton » à l’un d’eux avec 40 photos étiquetées et deux minutes sur un processeur. Puis, nous le comparons à un détecteur qui a seulement besoin d’un texte.

Leçon suivante : Régler finement un détecteur sur quelques images