Comment définir les objectifs de ton projet de vision par ordinateur#
Pour définir un projet de vision par ordinateur, rédige un énoncé de problème qui nomme le problème central, le périmètre, les parties prenantes et les contraintes ; fixe des objectifs mesurables et limités dans le temps ; et fais correspondre le problème à la tâche de vision par ordinateur qui déterminera tes choix en matière de modèle, de jeu de données et de déploiement. Ce guide détaille chaque étape avec un exemple concret.
Watch: How to define Computer Vision Project's Goal | Problem Statement and VisionAI Tasks Connection 🚀
Pour un aperçu du flux de travail complet, de la collecte de données au déploiement, consulte notre guide sur les étapes clés d'un projet de vision par ordinateur.
Comment rédiger un énoncé de problème de vision par ordinateur#
Un énoncé de problème clair est la première étape importante pour trouver la solution la plus efficace. Il comprend quatre parties :
- Identifie le problème central : Cible le défi spécifique que ton projet de vision par ordinateur vise à résoudre.
- Détermine la portée : Définis les limites de ton problème.
- Prends en compte les utilisateurs finaux et les parties prenantes : Identifie qui sera affecté par la solution.
- Analyse les exigences et les contraintes du projet : Évalue les ressources disponibles (temps, budget, personnel) et identifie toute contrainte technique ou réglementaire.
Exemple d'un énoncé de problème métier#
Considère un projet de vision par ordinateur où tu souhaites estimer la vitesse des véhicules sur une autoroute. Le problème principal est que les méthodes actuelles de surveillance de la vitesse sont inefficaces et sujettes aux erreurs en raison de systèmes radar obsolètes et de processus manuels. Le projet vise à développer un système de vision par ordinateur en temps réel capable de remplacer les anciens systèmes d'estimation de la vitesse.
Les utilisateurs principaux comprennent les autorités de gestion du trafic et les forces de l'ordre, tandis que les parties prenantes secondaires sont les planificateurs autoroutiers et le public bénéficiant de routes plus sûres. Les exigences clés impliquent l'évaluation du budget, du temps et du personnel, ainsi que la réponse aux besoins techniques tels que les caméras haute résolution et le traitement des données en temps réel. De plus, les contraintes réglementaires relatives à la confidentialité et à la sécurité des données doivent être prises en compte.
Fixer des objectifs mesurables#
Fixer des objectifs mesurables est essentiel à la réussite d'un projet de vision par ordinateur. Des objectifs efficaces suivent les critères SMART :
| Critère | Signification |
|---|---|
| Spécifique | Définit des objectifs clairs et détaillés. |
| Mesurable | S'assure que les objectifs sont quantifiables. |
| Atteignable | Fixe des cibles réalistes selon tes capacités. |
| Pertinent | Aligne les objectifs avec les buts globaux de ton projet. |
| Temporel | Fixe des échéances pour chaque objectif. |
Pour l'exemple de l'estimation de la vitesse sur autoroute, les objectifs SMART pourraient être :
- Atteindre au moins 95 % de précision dans la détection de la vitesse en six mois, en utilisant un jeu de données de 10 000 images de véhicules.
- Le système doit être capable de traiter des flux vidéo en temps réel à 30 images par seconde avec un délai minimal.
En fixant des objectifs spécifiques et quantifiables, tu peux suivre efficacement les progrès, identifier les domaines à améliorer et t'assurer que le projet reste sur la bonne voie.
Comment choisir la bonne tâche de vision par ordinateur#
Ton énoncé de problème t'aide à conceptualiser quelle tâche de vision par ordinateur peut résoudre ton problème. Les tâches les plus populaires incluent la classification d'images, la détection d'objets et la segmentation d'images — consulte la page des tâches Ultralytics pour une comparaison détaillée.
Par exemple, si ton problème est de surveiller la vitesse des véhicules sur une autoroute, la tâche est la détection d'objets, exécutée en mode de suivi. Le suivi attribue à chaque véhicule détecté un identifiant persistant à travers les images vidéo, ce qui est nécessaire pour le calcul de la vitesse.
La détection seule ne suffit pas ici : elle localise les véhicules dans chaque image mais ne maintient pas l'identité de chaque véhicule d'une image à l'autre — et sans cette identité, le système ne peut pas mesurer le mouvement au fil du temps. Le mode de suivi ajoute cette identité. Une fois que tu as identifié la tâche de vision par ordinateur appropriée, elle guide plusieurs aspects critiques de ton projet, comme la sélection du modèle, la préparation des jeux de données et les approches d'entraînement du modèle.
Qu'est-ce qui arrive en premier : modèle, données ou approche d'entraînement ?#
L'ordre du choix du modèle, de la préparation du jeu de données et de l'approche d'entraînement dépend des spécificités de ton projet :
| Ta situation | Commence par | Exemple |
|---|---|---|
| Problème et objectifs bien définis | Choix du modèle | Pour un système de surveillance du trafic qui estime la vitesse des véhicules, choisis un modèle de détection à exécuter en mode de suivi, rassemble et annote des vidéos d'autoroute, puis entraîne-le avec des techniques de traitement vidéo en temps réel. |
| Données uniques ou limitées | Préparation du jeu de données | Pour un système de reconnaissance faciale avec un petit jeu de données, commence par annoter les données, puis sélectionne un modèle qui fonctionne bien avec des données limitées — tel qu'un modèle pré-entraîné pour le transfert d'apprentissage — et planifie l'augmentation de données pour élargir le jeu de données. |
| L'expérimentation est cruciale (recherche) | Approche d'entraînement | Dans un projet explorant de nouvelles méthodes pour détecter des défauts de fabrication, expérimente d'abord sur un petit sous-ensemble de données. Une fois que tu trouves une technique prometteuse, sélectionne un modèle adapté à ces résultats et prépare un jeu de données complet. |
Si tu commences par les données, la Ultralytics Platform simplifie l'organisation, l'annotation et l'entraînement du jeu de données à mesure que ton projet évolue.
Comment les options de déploiement affectent ton projet#
Les options de déploiement de modèle impactent de manière critique les performances de ton projet de vision par ordinateur, alors prends-les en compte dès le début. L'environnement de déploiement doit gérer la charge de calcul de ton modèle :
| Option de déploiement | Idéal pour | Technologies d'exemple |
|---|---|---|
| Appareils de périphérie (Edge) | Smartphones et appareils IoT avec des ressources de calcul limitées ; modèles légers | LiteRT, ONNX Runtime |
| Serveurs cloud | Modèles complexes avec des exigences de calcul plus élevées ; matériel évolutif avec le projet | AWS, Google Cloud, Azure |
| Serveurs sur site | Besoins élevés en matière de confidentialité des données et de sécurité ; contrôle total sur les données et l'infrastructure | Serveurs GPU auto-hébergés |
| Solutions hybrides | Équilibre entre performance, coût et latence ; traitement en périphérie plus analyse cloud | Combinaison d'exécutions en périphérie et de plateformes cloud |
Chaque option offre des avantages et des défis différents, et le choix dépend des exigences spécifiques du projet comme la performance, le coût et la sécurité.
Conclusion#
Un projet de vision par ordinateur réussi commence par un énoncé de problème clair, des objectifs mesurables SMART et la bonne tâche de vision par ordinateur pour le travail — ces décisions guident tout ce qui suit, de la sélection du modèle au déploiement. Comme prochaine étape, apprends à collecter et annoter des données, ou discute de ton projet avec d'autres développeurs sur GitHub et le serveur Discord Ultralytics.
FAQ#
Fais correspondre la sortie dont ton problème a besoin à la tâche qui la produit : une seule étiquette par image mène à la classification d'images, les emplacements des objets mènent à la détection d'objets, les limites au niveau des pixels mènent à la segmentation d'images, et les identités maintenues à travers les images vidéo requièrent ce même modèle de détection exécuté en mode de suivi. La surveillance de la vitesse des véhicules, par exemple, nécessite le suivi car la vitesse est calculée à partir du mouvement de chaque véhicule au fil du temps. Consulte la page des tâches Ultralytics pour toutes les tâches prises en charge.
Utilise les critères SMART : Spécifique, Mesurable, Atteignable, Pertinent et Temporellement défini. Par exemple, "Atteindre 95 % de précision dans la détection de la vitesse en six mois en utilisant un jeu de données de 10 000 images de véhicules." Cette approche aide à suivre les progrès et identifie les domaines à améliorer. En savoir plus sur la définition d'objectifs mesurables.
Non, les modèles pré-entraînés ne "se souviennent" pas des classes au sens traditionnel. Ils apprennent des motifs à partir de jeux de données massifs, et lors de l'entraînement personnalisé (fine-tuning), ces motifs sont ajustés pour ta tâche spécifique. La capacité du modèle est limitée, et se concentrer sur de nouvelles informations peut écraser certains apprentissages précédents.
Si tu souhaites utiliser les classes sur lesquelles le modèle a été pré-entraîné, une approche pratique consiste à utiliser deux modèles : l'un conserve les performances d'origine, et l'autre est affiné pour ta tâche spécifique. De cette façon, tu peux combiner les sorties des deux modèles. Il existe d'autres options comme le gel des couches, l'utilisation du modèle pré-entraîné comme extracteur de caractéristiques, et la spécialisation par branche, mais ce sont des solutions plus complexes qui nécessitent plus d'expertise.
Les options de déploiement déterminent quelles tailles et quels formats de modèle sont viables, façonnant ainsi ton projet dès le début. Les appareils Edge ont besoin de modèles légers servis via des formats et des moteurs d'exécution tels que LiteRT ou ONNX Runtime, les serveurs cloud gèrent des modèles complexes sur un matériel évolutif, les serveurs sur site offrent un contrôle total des données pour les projets sensibles à la confidentialité, et les configurations hybrides équilibrent les deux. Compare-les dans le tableau des options de déploiement, ou consulte le guide des options de déploiement de modèle pour plus de détails.
Les défis courants incluent :
- Des énoncés de problème vagues ou trop larges.
- Des objectifs irréalistes.
- Un manque d'alignement des parties prenantes.
- Une compréhension insuffisante des contraintes techniques.
- Sous-estimer les exigences en matière de données.
Aborde ces défis par une recherche initiale approfondie, une communication claire avec les parties prenantes et un raffinement itératif de l'énoncé du problème et des objectifs. Pour le flux de travail complet du projet, consulte les étapes clés d'un projet de vision par ordinateur.
Un énoncé de problème clair nomme le problème central que ton projet résout, sa portée, les utilisateurs finaux et les parties prenantes, ainsi que tes contraintes de ressources et réglementaires. Parours ces quatre parties dans l'ordre, puis valide l'énoncé auprès des parties prenantes avant de prendre des décisions techniques. Consulte Comment rédiger un énoncé de problème de vision par ordinateur pour l'analyse complète et un exemple concret.