Contexte du projet
L'archive source contenait des images de ports et de portiques ainsi qu'une liste de quatre classes : forklift, cone, bollard et person. Elle ne contenait ni boîtes de détection ni masques. Il fallait constituer un jeu de démonstration contrôlé pour examiner météo, éclairage, dégradation caméra, présentation des objets et documentation avant toute décision d'entraînement.
Objectif de livraison
Créer un dossier traçable séparant l'augmentation issue des sources et les visuels générés. Chaque image transformée devait conserver scénario, source, graine et paramètres. Le résultat sert à planifier et revoir les données, pas à prouver la précision d'un modèle ni à fournir des données de production annotées.
Déroulement
Le processus associe gouvernance des sources, traitement reproductible, scènes générées, contrôles quantitatifs et revue visuelle.
- 01
Auditer l'archive source
Inventorier images, dimensions, classes et formats d'annotation, puis consigner la présence d'une liste de classes sans boîtes ni masques.
- 02
Contrôler l'éligibilité des sources
Examiner les noms et planches-contact, exclure les images routières externes sans rapport, puis régénérer depuis les sources portuaires acceptées.
- 03
Générer huit conditions de contrainte
Créer six images 1280 x 720 pour journée claire, parc de nuit, pluie caméra, brouillard, contre-jour, flou de mouvement, occultation et compression de surveillance.
- 04
Créer des scènes par classe
Produire dix images générées pour crane, container, cone et forklift, séparées des augmentations issues des sources.
- 05
Revoir poses et arrière-plans
Créer trois exemples supplémentaires pour l'inclinaison en bordure de route, sur chantier et la rotation ou inclinaison en usine.
- 06
Assembler preuves et documentation
Produire métadonnées, synthèse qualité, deux planches-contact et un document client de 19 pages avec 16 images grand format.
Livrables
- Générateur reproductible
- Script paramétré pour huit contraintes visuelles, avec graines stables et métadonnées de sortie.
- Jeu augmenté de 48 images
- Huit scénarios, six JPG 1280 x 720 par scénario et une ligne de métadonnées par sortie.
- 40 images de classes générées
- Dix exemples pour crane, container, cone et forklift, stockés séparément des sources.
- Exemples de pose et d'arrière-plan
- Trois visuels générés pour examiner orientation, cadrage et environnement.
- Document client
- DOCX et PDF de 19 pages avec 16 images, périmètre et limites d'utilisation.
Éléments vérifiés
Les chiffres ci-dessous proviennent des contrôles des fichiers, métadonnées et documents ; ils ne constituent pas des métriques de modèle.
Audit des sources
Quatre classes ; aucune boîte ni aucun masque.Les éléments permettent la simulation au niveau image et la planification, mais pas un entraînement supervisé sans annotation supplémentaire.
Sortie augmentée
48 JPG 1280 x 720 répartis dans 8 scénarios.Chaque scénario contient six fichiers ; les métadonnées enregistrent source, scénario, graine et paramètres.
Contrôles qualité
0 erreur, ligne inconnue, source externe, candidat pauvre en information ou paire quasi dupliquée.La luminosité mesurée va de 39,4 à 137,5 et l'écart-type de 15,5 à 62,6.
Supports générés
40 images de classes, 3 exemples de pose/arrière-plan et 19 pages avec 16 images.Ces comptes vérifient l'intégrité et la mise en page, pas la qualité des annotations ni l'aptitude à entraîner un modèle.
Validation effectuée
- Les 48 images augmentées s'ouvrent et présentent les dimensions attendues de 1280 x 720.
- La table de métadonnées comporte 48 lignes et six sorties pour chacun des huit scénarios.
- Les deux planches-contact ont été revues après filtrage ; aucune image routière externe sans rapport ne subsiste.
- Les 40 images de classes et les trois exemples de pose/arrière-plan ont été comptés et ouverts ; aucune précision de label ou de modèle n'a été mesurée.
Limites d'utilisation et de preuve
Le cas démontre l'audit, l'augmentation d'images, les visuels générés, les métadonnées, les contrôles qualité et la documentation. Il ne prétend pas que la source est prête à annoter, que les images générées sont des labels d'entraînement vérifiés, ni qu'un détecteur atteint une précision, un rappel ou une mAP donnés. Avant un développement de modèle, il faut annoter, séparer entraînement et validation, vérifier la représentativité des scènes réelles, l'équilibre des classes, la qualité des annotations et les critères métriques d'acceptation.