Comment définir les objectifs de ton projet de vision par ordinateur#
Pour définir un projet de vision par ordinateur, rédige un énoncé du problème qui précise le problème principal, le périmètre, les parties prenantes et les contraintes ; fixe des objectifs mesurables et assortis d’échéances ; puis relie le problème à la tâche de vision par ordinateur qui déterminera tes choix de modèle, de jeu de données et de déploiement. Ce guide détaille chaque étape à l’aide d’un exemple pratique.
Regarder : Comment définir l’objectif d’un projet de vision par ordinateur | Lien entre la problématique et les tâches VisionAI 🚀
Pour avoir une vue d’ensemble du processus, de la collecte des 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 comporte quatre parties :
- Cerner le problème principal : précise le défi que ton projet de vision par ordinateur cherche à résoudre.
- Définir le périmètre : délimite ton problème.
- Prendre en compte les utilisateurs finaux et les parties prenantes : détermine qui sera concerné par la solution.
- Analyser les exigences et les contraintes du projet : évalue les ressources disponibles (temps, budget, personnel) et détermine les éventuelles contraintes techniques ou réglementaires.
Exemple d’énoncé de problème métier#
Prenons un projet de vision par ordinateur visant à 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 systèmes existants d’estimation de la vitesse.
Les principaux utilisateurs sont les autorités de gestion du trafic et les forces de l’ordre ; les parties prenantes secondaires sont les planificateurs d’autoroutes et le public, qui bénéficiera de routes plus sûres. Les exigences clés comprennent l’évaluation du budget, du temps et du personnel, ainsi que la prise en compte des besoins techniques comme les caméras haute résolution et le traitement des données en temps réel. Il faut également tenir compte des contraintes réglementaires liées à la confidentialité et à la sécurité des données.
Définir des objectifs mesurables#
Définir des objectifs mesurables est essentiel à la réussite d’un projet de vision par ordinateur. Des objectifs efficaces respectent les critères SMART :
| Critère | Signification |
|---|---|
| Spécifique | Définis des objectifs clairs et détaillés. |
| Mesurable | Veille à ce que les objectifs soient quantifiables. |
| Atteignable | Fixe des objectifs réalistes, à ta portée. |
| Pertinent | Fais correspondre les objectifs aux objectifs globaux de ton projet. |
| Temporellement défini | Fixe des échéances pour chaque objectif. |
Pour l’exemple d’estimation de la vitesse sur autoroute, les objectifs SMART pourraient être les suivants :
- Atteindre une précision d’au moins 95 % pour la détection de la vitesse en six mois, à l’aide d’un jeu de données de 10 000 images de véhicules.
- Le système doit pouvoir traiter des flux vidéo en temps réel à 30 images par seconde, avec un délai minimal.
En définissant des objectifs précis et quantifiables, tu peux suivre efficacement les progrès, repérer les points à améliorer et veiller à ce que le projet reste sur la bonne voie.
Comment choisir la bonne tâche de vision par ordinateur#
La formulation de ton problème t’aide à déterminer quelle tâche de vision par ordinateur peut le résoudre. Parmi les tâches les plus courantes figurent 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 consiste à surveiller la vitesse des véhicules sur une autoroute, la tâche est la détection d’objets, exécutée en mode suivi. Le suivi attribue à chaque véhicule détecté un ID persistant d’une image vidéo à l’autre, ce qui est nécessaire pour calculer la vitesse.
La détection seule ne suffit pas dans ce cas : elle localise les véhicules dans chaque image, mais ne conserve pas l’identité de chaque véhicule d’une image à l’autre — et sans cette identité, le système ne peut pas mesurer les déplacements au fil du temps. Le mode suivi ajoute cette identité. Une fois la tâche de vision par ordinateur appropriée identifiée, elle oriente plusieurs aspects essentiels de ton projet, comme le choix du modèle, la préparation du jeu de données et les approches d’entraînement du modèle.
Par quoi commencer : le modèle, les données ou l’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 | Commencer 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 suivi, rassemble et annote des vidéos d’autoroute, puis entraîne le modèle 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 choisis un modèle adapté aux données limitées — par exemple, un modèle préentraîné pour l’apprentissage par transfert — et prévois l’augmentation des données pour étoffer le jeu de données. |
| L’expérimentation est essentielle (recherche) | Approche d’entraînement | Dans un projet qui explore de nouvelles méthodes de détection des défauts de fabrication, commence par expérimenter sur un petit sous-ensemble de données. Une fois une technique prometteuse trouvée, choisis un modèle adapté à ces résultats et prépare un jeu de données complet. |
Si tu commences par les données, la plateforme Ultralytics simplifie l’organisation des jeux de données, l’annotation et l’entraînement à mesure que ton projet évolue.
Comment les options de déploiement influent sur ton projet#
Les options de déploiement des modèles ont une incidence majeure sur les performances de ton projet de vision par ordinateur : prends-les donc en compte dès le départ. L’environnement de déploiement doit pouvoir gérer la charge de calcul de ton modèle :
| Option de déploiement | Idéal pour | Exemples de technologies |
|---|---|---|
| Appareils périphériques | Smartphones et appareils IoT aux ressources de calcul limitées ; modèles légers | LiteRT, ONNX Runtime |
| Serveurs cloud | Modèles complexes aux besoins de calcul élevés ; matériel évolutif en fonction du projet | AWS, Google Cloud, Azure |
| Serveurs sur site | Besoins élevés en matière de confidentialité des données et de sécurité ; contrôle total des données et de l’infrastructure | Serveurs GPU autogérés |
| Solutions hybrides | Équilibre entre performances, coût et latence ; traitement en périphérie et analyse dans le cloud | Combinaison d’environnements d’exécution en périphérie et de plateformes cloud |
Chaque option présente des avantages et des défis différents, et le choix dépend des exigences spécifiques du projet, comme les performances, le coût et la sécurité.
Conclusion#
Un projet de vision par ordinateur réussi commence par une formulation claire du problème, des objectifs SMART mesurables et la tâche de vision par ordinateur adaptée — ces décisions orientent tout ce qui suit, du choix du modèle au déploiement. Pour aller plus loin, découvre comment collecter et annoter des données, ou discute de ton projet avec d’autres développeurs sur GitHub et le serveur Discord d’Ultralytics.
FAQ#
Une formulation claire du problème précise le problème central que ton projet résout, son périmètre, les utilisateurs finaux et les parties prenantes, ainsi que les contraintes liées aux ressources et à la réglementation. Traite ces quatre aspects dans l’ordre, puis valide la formulation auprès des parties prenantes avant de prendre des décisions techniques. Consulte Comment formuler un problème de vision par ordinateur pour découvrir une analyse complète et un exemple détaillé.
Fais correspondre le résultat requis par ton problème à la tâche qui le produit : une étiquette unique par image correspond à la classification d’images, la localisation des objets à la détection d’objets, les contours au niveau du pixel à la segmentation d’images, et le maintien de l’identité des objets d’une image vidéo à l’autre nécessite le même modèle de détection exécuté en mode suivi. Par exemple, la surveillance de la vitesse des véhicules nécessite un suivi, car la vitesse est calculée à partir des déplacements de chaque véhicule au fil du temps. Consulte la page des tâches Ultralytics pour découvrir toutes les tâches prises en charge.
Utilise les critères SMART : spécifique, mesurable, atteignable, pertinent et temporellement défini. Par exemple : « Atteindre une précision de 95 % pour la détection de la vitesse en six mois à l’aide d’un jeu de données de 10 000 images de véhicules. » Cette approche aide à suivre les progrès et à repérer les points à améliorer. Pour en savoir plus, consulte la page sur la définition d’objectifs mesurables.
Non, les modèles préentraînés ne « se souviennent » pas des classes au sens traditionnel. Ils apprennent des motifs à partir de jeux de données massifs et, pendant l’entraînement personnalisé (l’ajustement fin), ces motifs sont adaptés à ta tâche spécifique. La capacité du modèle est limitée et se concentrer sur de nouvelles informations peut écraser une partie des apprentissages précédents.
Si tu veux utiliser les classes sur lesquelles le modèle a été préentraîné, une approche pratique consiste à utiliser deux modèles : l’un conserve ses performances d’origine, et l’autre est ajusté pour ta tâche spécifique. Tu peux ainsi combiner les résultats des deux modèles. Il existe d’autres options, comme le gel des couches, l’utilisation du modèle préentraîné comme extracteur de caractéristiques et les branches propres à chaque tâche, mais ces solutions sont plus complexes et nécessitent davantage d’expertise.
Les options de déploiement déterminent les tailles et les formats de modèles viables, et orientent donc ton projet dès le départ. Les appareils périphériques nécessitent des modèles légers exécutés dans des formats et environnements d’exécution comme LiteRT ou ONNX Runtime ; les serveurs cloud gèrent les modèles complexes sur du matériel évolutif ; les serveurs sur site donnent un contrôle total des données pour les projets sensibles en matière de confidentialité ; et les configurations hybrides établissent un équilibre entre les deux. Compare-les dans le tableau des options de déploiement, ou consulte le guide des options de déploiement des modèles pour en savoir plus.
Les défis courants comprennent :
- Des formulations du problème vagues ou trop générales.
- Des objectifs irréalistes.
- Un manque d’alignement entre les parties prenantes.
- Une compréhension insuffisante des contraintes techniques.
- Une sous-estimation des besoins en données.
Pour relever ces défis, mène des recherches initiales approfondies, communique clairement avec les parties prenantes et affine progressivement la formulation du problème et les objectifs. Pour connaître l’ensemble du processus de projet, consulte les étapes clés d’un projet de vision par ordinateur.