Comment fonctionne la détection d'objets
La détection d'objets combine la classification d'images avec la localisation. Contrairement aux classificateurs simples qui étiquettent une image entière, les détectéurs d'objets identifient plusieurs objets et leurs positions. Les détectéurs modernes comme YOLO utilisent des réseaux neuronaux convolutifs (CNN) pour extraire des caractéristiques de l'image et predire les coordonnées des boites englobantes, les étiquettes de classe et les scores de confiance en une seule passe.
Comprendre l'architecture YOLO
YOLO divise l'image d'entrée en une grille S x S. Chaque cellule de la grille predit un nombre fixe de boites englobantes avec des scores de confiance et des probabilités de classe. La suppression des non-maximums (NMS) éliminé les detections en double. Cette approche en une seule passe rend YOLO significativement plus rapide que les détectéurs a deux étapes comme R-CNN tout en maintenant une précision competitive.
Scores de confiance et seuils
Chaque détection est accompagnee d'un score de confiance entre 0 et 1 representant la certitude du modèle. La metrique d'intersection sur union (IoU) mesure la correspondance entre une boite predite et l'objet reel. En ajustant le seuil de confiance, vous faites un compromis entre la précision (moins de faux positifs) et le rappel (moins d'objets manques).
Applications de la détection d'objets
La détection d'objets alimente les vehicules autonomes (reconnaissance de pietons et de vehicules), la videosurveillance (détection d'intrusion), l'analytique de détail (surveillance des rayons et comptage de clients), l'imagerie medicale (localisation de tumeurs), le contrôle qualité industriel (détection de défauts) et la réalité augmentee (compréhension de scenes et interaction avec les objets).
