Créer des jeux de données YOLO hautes performances
Un guide pratique pour le travail en amont de l'entraînement : transformer un objectif métier en test d'acceptation, définir et collecter des données représentatives, annoter de façon cohérente, contrôler la qualité à l'aide de scripts, effectuer une séparation sans fuite de données, ajuster l'augmentation et conditionner le premier ajustement fin d'Ultralytics YOLO26 à un contrôle de préparation.
Par Ultralytics Academy
Transforme un objectif métier en un jeu de données documenté, équilibré et sans fuite, prêt pour l'ajustement fin d'Ultralytics YOLO26, et sache exactement quoi corriger s'il n'est pas encore prêt.
Transforme un objectif métier en une tâche de vision, en classes définies et en test d'acceptation que tu peux exécuter sous forme de code.
Rédige une spécification du jeu de données avec des quotas par scénario, dimensionnés selon les objectifs d'Ultralytics : ≥1 500 images et ≥10 000 instances annotées par classe, 0–10 % d'images d'arrière-plan.
Collecte des données dans les conditions réelles de déploiement, conserve les métadonnées de capture dans les noms de fichiers et échantillonne les vidéos sans saturer le jeu de données.
Assure la cohérence des annotations à l'aide d'un guide écrit, d'un tour de calibrage mesuré et en gardant à l'esprit les dix erreurs d'annotation les plus courantes.
Contrôle les annotations, l'équilibre des classes, les doublons et les annotations probablement manquantes à l'aide de courts scripts Python.
Effectue la séparation par groupe (séquence vidéo, caméra, jour, site) afin que les scores de validation reflètent la production, et verrouille le jeu de test.
Choisis des paramètres d'augmentation adaptés au déploiement et vérifie-les dans les lots d'entraînement.
Conditionne l'entraînement à un contrôle de préparation en huit points et transforme un premier ajustement fin de référence en prochaine correction du jeu de données.
Un objectif d'une page et un script de test d'acceptation qui affiche PASS ou FAIL.
Une spécification du jeu de données avec des quotas par scénario, des cas limites et une proportion d'images d'arrière-plan.
Un jeu de données d'entraînement avec des métadonnées de capture dans chaque nom de fichier, ainsi qu'un rapport de couverture par rapport à tes quotas.
Un guide d'annotation amélioré à l'issue d'un tour de calibrage avec un score d'accord mesuré.
Un contrôle qualité et une révision des annotations suspectes, accompagnés de brèves notes de contrôle qualité.
Des listes de fichiers train / val / test regroupées, sans séquence vidéo, caméra ni jour partagé entre les partitions.
Un contrôle de préparation noté, un premier ajustement fin classé par classe et une liste de contrôle de lancement réutilisable.
Aucune connaissance préalable en apprentissage automatique n'est requise : chaque concept est expliqué avant d'être utilisé.
Python 3.10+ avec
pip install ultralyticspour exécuter les scripts ; un CPU suffit pour chaque exemple.Recommandé : Fondamentaux de la vision par ordinateur pour le vocabulaire de base.
Contenu du cours
5 modules · 10 leçonsModule 1
Commencer par l'objectif métier
Transforme un objectif métier en une tâche de vision, en classes définies et en test d'acceptation exécutable sous forme de code, avant même de collecter la moindre image.
Définir la spécification du jeu de données
Planifie les scénarios, les quotas, les variations, les cas limites et les images d’arrière-plan avant la collecte, puis dimensionne le plan selon les objectifs de volume d’Ultralytics.
Module 3
Bonnes pratiques d’annotation
Rédige un guide d’annotation, choisis un outil, évite les dix erreurs qui nuisent discrètement à la précision et mesure l’accord entre annotateurs à l’aide d’un script avant de passer à l’échelle supérieure.
Contrôle qualité du jeu de données
Audite les étiquettes, l’équilibre des classes, les doublons et la couverture des partitions avec un script, demande à un modèle de repérer les étiquettes probablement manquantes, puis corrige les problèmes avant l’entraînement.
Module 4
Diviser correctement le jeu de données
Mesure les fuites dues aux divisions aléatoires, divise des groupes entiers comme les séquences vidéo, les caméras ou les jours à l’aide d’un script, vérifie la présence de toutes les classes et verrouille le jeu de test.
Utiliser l’augmentation avec précaution
Teste chaque augmentation avec la caméra de déploiement, établis un profil justifié, entraîne le modèle avec ce profil et vérifie le résultat dans les lots d’entraînement.
Module 5
Savoir quand le jeu de données est prêt
Conditionne le premier entraînement à huit vérifications réussite/échec, automatise les trois qu’un script peut vérifier et identifie la correction requise pour chaque échec.
Premier ajustement fin et boucle d'itération
Ajuste finement les poids YOLO26 préentraînés avec les paramètres par défaut, classe les classes selon leur AP, avec le nombre d'objets manqués et confondus, puis transforme la classe la plus faible en prochaine correction du jeu de données.
Liste de contrôle pour les clients entreprise
Une liste de contrôle d’une page destinée au client, qui consigne chaque décision sur le jeu de données avant la collecte et conditionne chaque réentraînement.