Qu’est-ce que l’annotation d’images ?
L’annotation d’images associe le contenu visuel à des étiquettes ou à des descriptions géométriques telles que des classes, des points, des boîtes englobantes, des polygones et des masques. Une annotation consigne ce qui est présent et, le cas échéant, où cela apparaît.
Fonctionnement de l’annotation d’images
L’annotation transforme les observations visuelles en enregistrements structurés liés à une image, une région, un objet ou un ensemble de pixels. Un schéma définit les étiquettes, les géométries, les attributs et les relations autorisés, ainsi que le traitement des cas incertains ou masqués. Les outils sérialisent ensuite les coordonnées et les identifiants pour l’entraînement, l’évaluation, la recherche, la modération ou la révision. Ce travail se situe entre la préparation des ressources et le développement des modèles, un contrôle qualité étant nécessaire pour maintenir la cohérence de l’interprétation humaine.
Points clés
- Les coordonnées des boîtes englobantes peuvent être stockées sous forme de coins, d’une origine accompagnée de dimensions ou de valeurs normalisées ; une convention non documentée peut déplacer, inverser ou redimensionner les étiquettes lors de la conversion des jeux de données.
- Les masques d’instance distinguent les objets individuels d’une même classe, tandis que les masques sémantiques attribuent une classe aux pixels sans nécessairement préserver l’identité des objets ; ces formats répondent à différentes tâches des modèles.
- Les mesures d’accord peuvent révéler des consignes ambiguës, mais le consensus ne prouve pas l’exactitude ; des exemples de référence, un arbitrage et des consignes versionnées sont nécessaires lorsque la taxonomie évolue.
Dans quels cas l’annotation d’images est utile
Choisissez des rectangles lorsqu’une localisation approximative suffit, mais utilisez des polygones ou des masques lorsque l’entraînement ou la révision exige des contours précis. Des règles d’étiquetage incohérentes introduisent des ambiguïtés qui peuvent réduire la qualité du modèle et l’accord entre les évaluateurs.