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 central, le périmètre, les parties prenantes et les contraintes ; fixe des objectifs mesurables et limités dans le temps ; puis associe 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 concret.
Watch: How to define Computer Vision Project's Goal | Problem Statement and VisionAI Tasks Connection 🚀
Pour une vue d'ensemble du processus complet, 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 :
- Identifier le problème central : précise le défi spécifique que ton projet de vision par ordinateur cherche à résoudre.
- Déterminer le périmètre : définis les limites de ton problème.
- Prendre en compte les utilisateurs finaux et les parties prenantes : identifie les personnes qui seront affectées par la solution.
- Analyser les exigences et les contraintes du projet : évalue les ressources disponibles (temps, budget, personnel) et identifie les éventuelles contraintes techniques ou réglementaires.
Exemple d'énoncé de problème métier#
Imaginons un projet de vision par ordinateur dans lequel tu souhaites estimer la vitesse des véhicules sur une autoroute. Le problème central 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 sont 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, qui bénéficiera de routes plus sûres. Les exigences clés comprennent l'évaluation du budget, des délais et du personnel, ainsi que la prise en compte des besoins techniques tels que des caméras haute résolution et le traitement des données en temps réel. En outre, les contraintes réglementaires liées à la confidentialité et à la sécurité des données doivent être prises en compte.
Définir des objectifs mesurables#
La définition d'objectifs mesurables est essentielle à la réussite d'un projet de vision par ordinateur. Des objectifs efficaces suivent les critères SMART :
| Critère | Signification |
|---|---|
| Spécifique | Définis des objectifs clairs et détaillés. |
| Mesurable | Veille à ce que les objectifs soient quantifiables. |
| Atteignable | Fixe des cibles réalistes, à ta portée. |
| Pertinent | Aligne les objectifs sur les objectifs généraux de ton projet. |
| Limité dans le temps | Fixe des échéances pour chaque objectif. |
Pour l'exemple de l'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 dans un délai de six mois, à l'aide d'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 points à améliorer et veiller à ce que le projet reste sur la bonne voie.
Comment choisir la bonne tâche de vision par ordinateur#
Ton énoncé de problème t'aide à déterminer quelle tâche de vision par ordinateur peut résoudre ton problème. Les tâches les plus courantes comprennent la classification d'images, la détection d'objets et la segmentation d'images — consulte la page des tâches d'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 identifiant persistant d'une image vidéo à l'autre, ce qui est nécessaire au calcul de la vitesse.
La détection seule ne suffit pas ici : elle localise les véhicules dans chaque image, mais ne préserve 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 suivi ajoute cette identité. Une fois que tu as identifié la tâche de vision par ordinateur appropriée, celle-ci guide plusieurs aspects essentiels de ton projet, comme la sélection du modèle, la préparation du jeu de données et les approches d'entraînement du modèle.
Qu'est-ce qui vient en premier : le modèle, les données ou l'approche d'entraînement ?#
L'ordre de sélection du modèle, de préparation du jeu de données et de définition de l'approche d'entraînement dépend des spécificités de ton projet :
| Ta situation | Commencer par | Exemple |
|---|---|---|
| Problème et objectifs bien définis | Sélection 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, collecte et annote des vidéos d'autoroute, puis entraîne-le avec des techniques adaptées au traitement vidéo en temps réel. |
| Données uniques ou limitées | Préparation du jeu de données | Pour un système de reconnaissance faciale doté d'un petit jeu de données, annote d'abord les données, puis sélectionne un modèle adapté aux données limitées — comme un modèle préentraîné pour l'apprentissage par transfert — et prévois une augmentation des données pour enrichir le jeu de données. |
| L'expérimentation est cruciale (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, sélectionne un modèle adapté à ces résultats et prépare un jeu de données complet. |
Si tu commences par les données, l'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 influencent ton projet#
Les options de déploiement du modèle ont un impact déterminant sur les performances de ton projet de vision par ordinateur ; tu dois donc les prendre en compte dès le départ. L'environnement de déploiement doit pouvoir gérer la charge de calcul de ton modèle :
| Option de déploiement | Idéal pour | Technologies utilisées |
|---|---|---|
| Appareils Edge | Smartphones et appareils IoT disposant de ressources de calcul limitées ; modèles légers | LiteRT, ONNX Runtime |
| Serveurs cloud | Modèles complexes nécessitant davantage de calcul ; matériel évolutif en fonction du projet | AWS, Google Cloud, Azure |
| Serveurs sur site | Besoins élevés en matière de confidentialité et de sécurité des données ; contrôle total des données et de l'infrastructure | Serveurs GPU autogérés |
| Solutions hybrides | Équilibre entre performances, coût et latence ; traitement Edge associé à une analyse dans le cloud | Combinaison de runtimes Edge et de plateformes cloud |
Chaque option offre des avantages et présente des difficultés différentes, et le choix dépend des exigences spécifiques du projet, telles que les performances, le coût et la sécurité.
Conclusion#
Un projet de vision par ordinateur réussi commence par un énoncé de problème clair, des objectifs SMART mesurables et la tâche de vision par ordinateur adaptée — ces décisions orientent tout ce qui suit, de la sélection du modèle au déploiement. Pour aller plus loin, apprends à collecter et annoter les données, ou discute de ton projet avec d'autres développeurs sur GitHub et le serveur Discord d'Ultralytics.
FAQ#
Fais correspondre la sortie dont ton problème a besoin à la tâche qui la produit : une étiquette unique par image correspond à la classification d'images, les emplacements des objets à la détection d'objets, les contours au niveau des pixels à la segmentation d'images, et la conservation des identités d'une image vidéo à l'autre nécessite ce même modèle de détection exécuté en mode 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 d'Ultralytics pour découvrir toutes les tâches prises en charge.
Utilise les critères SMART : Spécifique, Mesurable, Atteignable, Pertinent et Limité dans le temps. Par exemple : "Atteindre une précision de 95 % pour la détection de la vitesse dans un délai de six mois à l'aide d'un jeu de données de 10 000 images de véhicules." Cette approche permet de suivre les progrès et d'identifier les points à améliorer. Pour en savoir plus, consulte la définition d'objectifs mesurables.
Non, les modèles préentraînés ne se « souviennent » pas des classes au sens traditionnel du terme. Ils apprennent des modèles à partir de jeux de données massifs et, pendant l'entraînement personnalisé (ajustement fin), ces modèles sont adaptés à ta tâche spécifique. La capacité du modèle est limitée, et le fait de se concentrer sur de nouvelles informations peut écraser certains apprentissages antérieurs.
Si tu souhaites utiliser les classes sur lesquelles le modèle a été préentraîné, une approche pratique consiste à utiliser deux modèles : l'un conserve les performances d'origine et l'autre est ajusté pour ta tâche spécifique. Tu peux ainsi combiner les sorties des deux modèles. Il existe d'autres options, comme le gel des couches, l'utilisation du modèle préentraîné comme extracteur de caractéristiques et la création de branches spécifiques à la 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 façonnent donc ton projet dès le départ. Les appareils Edge ont besoin de modèles légers servis via des formats et des runtimes comme LiteRT ou ONNX Runtime, les serveurs cloud prennent en charge des modèles complexes sur du 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 approches. Compare-les dans le tableau des options de déploiement, ou consulte le guide des options de déploiement des modèles pour plus de détails.
Les défis courants comprennent :
- Des énoncés de problème vagues ou trop vastes.
- Des objectifs irréalistes.
- Un manque d'alignement entre les parties prenantes.
- Une compréhension insuffisante des contraintes techniques.
- Une sous-estimation des besoins en données.
Relève ces défis grâce à des recherches initiales approfondies, une communication claire avec les parties prenantes et l'amélioration itérative de l'énoncé du problème et des objectifs. Pour découvrir le processus complet du projet, consulte les étapes clés d'un projet de vision par ordinateur.
Un énoncé de problème clair précise le problème central que ton projet résout, son périmètre, les utilisateurs finaux et les parties prenantes, ainsi que tes contraintes en matière de ressources et de réglementation. Traite ces quatre éléments dans l'ordre, puis valide l'énoncé avec les parties prenantes avant de prendre des décisions techniques. Consulte Comment rédiger un énoncé de problème de vision par ordinateur pour découvrir l'analyse complète et un exemple concret.