GUIDE DE L'IA Visuelle

Segmentation d'images

La segmentation d'image attribue des étiquettes aux pixels ou aux régions d'image.

Écoutez ce guideNarré par l'IA · ~2 min

Sur cette page2 minutes de lecture
  1. Aperçu
  2. Points clés à retenir
  3. Plongée profonde
  4. Découvrez pourquoi la précision des pixels peut induire en erreur
  5. Mise en œuvre dans le monde réel
  6. Le mettre en pratique
  7. Sources et lectures complémentaires
  8. Continuez à explorer
  9. Questions fréquemment posées

Aperçu

La segmentation sémantique identifie les catégories, tandis que la segmentation par instance distingue les objets distincts de la même catégorie. Le masque résultant est une estimation dont les limites et les régions manquées doivent être évaluées.

Points clés à retenir

  1. Distinguer les tâches sémantiques et d'instance.
  2. Définissez les limites des annotations.
  3. Évaluer les régions minoritaires et coordonner la cartographie.

Plongée profonde

Choisissez la tâche de segmentation avant de collecter les annotations. Étiqueter chaque pixel de la route est différent de l’identification de chaque véhicule individuel. Définissez comment traiter les limites incertaines, les objets transparents, les instances qui se chevauchent et les régions en dehors du jeu d'étiquettes. La qualité de l'annotation affecte le résultat. Deux évaluateurs peuvent tracer des limites différentes autour des cheveux, des ombres ou des objets partiellement visibles. Documentez la convention d'étiquetage et mesurez les désaccords plutôt que de supposer qu'il existe toujours un masque parfaitement évident. Utilisez des métriques adaptées à l’application. La précision des pixels peut sembler élevée lorsque la plupart des pixels sont en arrière-plan. Les mesures de chevauchement telles que l'intersection sur l'union peuvent fournir plus d'informations, mais l'équilibre des classes et la qualité des limites sont toujours importantes. Une petite erreur de limite peut être inoffensive dans une tâche et lourde de conséquences dans une autre. Testez le pipeline d’images complet. Le recadrage, le redimensionnement et la conversion des coordonnées peuvent déplacer un masque par ailleurs raisonnable lorsqu'il est replacé sur l'image d'origine. Préservez les dimensions source et inspectez les superpositions à l’échelle où le résultat sera utilisé.

04Exemple travaillé

Découvrez pourquoi la précision des pixels peut induire en erreur

  1. Construisez une image de 1 000 pixels, dont 950 en arrière-plan et 50 appartiennent à l'objet cible.

  2. Une prédiction marquant chaque pixel comme arrière-plan a une précision de pixel de 95 % mais ne détecte aucun objet.

  3. Inspectez le chevauchement spécifique à une classe et le comportement des objets manqués plutôt que de signaler uniquement le score global des pixels.

Ce que ça montre

Les comptes de pixels inventés illustrent un piège d'évaluation.

Mise en œuvre dans le monde réel

Séparez les régions de premier plan pour un flux de travail d'édition révisé.

Mesurez le chevauchement des régions tout en vérifiant le masque sur l’image de résolution originale.

Le mettre en pratique

Pourquoi c'est important

  • Vitesse et échelle. L’IA visuelle peut automatiser les tâches d’inspection, de détection et de marquage à grande échelle.
  • Choix de construction. Les équipes créatives peuvent prototyper des concepts plus rapidement avec moins de révisions manuelles.
  • Équipe et flux de travail. Les opérations peuvent utiliser des signaux d’image et vidéo qui étaient auparavant difficiles à traiter.

Attention à

  • Les droits à l’image et le consentement peuvent devenir des risques juridiques si la provenance n’est pas claire.
  • Les performances du modèle peuvent varier en fonction de l'éclairage, des données démographiques et des environnements.
  • Les faux positifs peuvent passer inaperçus si les seuils de confiance ne sont pas surveillés.

Prochaines étapes

  1. Définissez des critères d’acceptation pour la précision, le rappel et les coûts d’erreur.
  2. Testez avec des données qui correspondent aux conditions de production réelles.
  3. Ajoutez un examen humain pour les prédictions peu fiables ou à fort impact.
  4. Suivez la dérive du modèle et revalidez après les modifications de la caméra ou de l’ensemble de données.

Sources et lectures complémentaires

  1. Hugging FaceSegmentation sémantique

Continuez à explorer

Newsletter gratuite

Recevez le briefing quotidien sur l'IA

Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.

Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.

Testez-vous

Take the Image Segmentation quiz

Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.

Démarrer le quiz

Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don

Questions fréquemment posées

Un masque d’apparence épurée prouve-t-il une segmentation précise ?

Non. Comparez-le avec les annotations de référence appropriées et inspectez les limites, les régions manquantes et l'utilisation prévue en aval.