Préparation
- Import de médias et extraction vidéo vers images
- Révision visuelle des annotations au format YOLO
- Rectangles, polygones et segmentation d’instances
- Versions de datasets reproductibles
- Contrôles avant entraînement ou export
← Tous les projets
Vision artificielle · Open source · Python
YOLO Object Detection Toolkit
Un workspace desktop multiplateforme pour transformer des vidéos et images brutes en datasets inspectables, reproductibles et prêts pour l’entraînement.
TypeApplication desktop
DonnéesImages, vidéos, labels YOLO
AnnotationBoîtes + polygones
CodePython public
Objectif
Rendre le dataset aussi sérieux que le modèle.
La performance d’un système de vision dépend d’abord de la qualité, de la traçabilité et de la reproductibilité de ses données.
Assistance modèle
- Pré-étiquetage pour accélérer le travail manuel
- Validation humaine des prédictions proposées
- Comparaison visuelle entre images et labels
- Flux adapté à l’itération terrain
- Base prête pour différents modèles YOLO
Pipeline
01Ingest
Images, vidéos et annotations.
02Annoter
Boîtes, polygones et assistance.
03Versionner
Créer un dataset reproductible.
04Entraîner
Mesurer sur les données réelles.
Démonstration vidéo
Culture d’ail : vidéo source et détections.
Ce travail de vision s’inscrivait dans un projet client visant à guider un robot équipé d’un laser pour éliminer les mauvaises herbes autour de l’ail, sans endommager la culture.
Vidéo originale : « Garlic Growing Time Lapse » de Time Print, intégrée depuis YouTube avec attribution. La superposition des détections illustre le travail de vision ; les détails et équipements du client ne sont pas montrés.
Code public