La détection d’objets est l’une des tâches les plus déployées en vision par ordinateur : identifier la présence, la position et la nature de chaque objet dans une image, puis en délimiter la localisation par une géométrie annotée. Derrière chaque modèle de détection performant se trouvent des milliers, parfois des millions, d’images annotées selon des règles précises. L’annotation d’images pour la détection ne se résume pas à dessiner des boîtes au hasard : elle obéit à une méthodologie structurée qui conditionne directement la qualité du modèle entraîné sur ces données.
Ce tutoriel détaille chaque étape d’un projet d’annotation d’images orienté détection, de la définition des classes à la gestion des occlusions et des petits objets, en passant par le contrôle qualité. Les équipes qui maîtrisent ces règles produisent des datasets qui permettent aux modèles de généraliser correctement en production ; celles qui les négligent accumulent des erreurs systématiques difficiles à corriger une fois le modèle entraîné.
Que vous prépariez un dataset de zéro ou que vous supervisiez un prestataire extérieur, ce guide vous donnera les repères opérationnels pour piloter chaque décision d’annotation avec rigueur. Pour une vue d’ensemble du processus, de la définition des classes jusqu’au déploiement du modèle, vous pouvez également consulter notre guide complet de l’annotation d’images pour la computer vision, qui pose les bases conceptuelles sur lesquelles s’appuie ce tutoriel.
Ce que la détection d’objets exige de l’annotation d’images
Un modèle de détection apprend simultanément deux choses à partir des données d’entraînement : localiser les objets dans l’espace de l’image et les classer selon leur nature. À l’entraînement, il reçoit pour chaque image la liste des géométries annotées, le plus souvent des boîtes englobantes, qui délimitent chaque instance, associées à leur étiquette de classe. La qualité de l’annotation d’images conditionne directement deux capacités du modèle : sa précision de localisation (les prédictions sont-elles géographiquement proches de la vérité terrain ?) et sa précision de classification (confondra-t-il des classes voisines ?).
La différence avec une tâche de classification d’images est fondamentale. En classification, une seule étiquette décrit l’image entière. En détection, chaque objet reçoit sa propre annotation, avec sa position et sa classe. Une annotation d’images pour la détection exige donc que l’annotateur prenne des décisions à deux niveaux simultanément : « Quel est cet objet ? » et « Où exactement se trouve-t-il ? ».
Cette double exigence rend la rédaction des consignes d’annotation particulièrement critique. Les ambiguïtés de classe et les règles floues de positionnement des géométries se traduisent directement en variance inter-annotateurs, puis en bruit dans le dataset. Un détecteur entraîné sur des données bruitées apprend à produire des prédictions incertaines : ses performances réelles en production restent en deçà des résultats obtenus en validation.
La détection d’objets impose également une contrainte de densité. Sur certaines images, des dizaines d’instances doivent être annotées, chacune avec sa géométrie et sa classe, y compris les objets partiellement visibles ou de très petite taille. Chaque instance omise devient un faux négatif systématique dans l’évaluation du modèle. C’est pourquoi les règles d’annotation doivent définir explicitement ce qui doit être annoté et ce qui peut être ignoré, sans laisser de zone grise.
Étape 1 – Définir les classes, fondation de toute annotation d’images pour la détection
La première décision à prendre avant d’annoter une seule image est la définition de l’ontologie de classes. Cette étape, souvent sous-estimée, est pourtant celle qui détermine le plus fortement la valeur du dataset final.
Combien de classes définir ?
La tentation est souvent de définir des classes trop fines, en espérant qu’un modèle très discriminant livrera plus de valeur métier. En pratique, multiplier les classes sans disposer de suffisamment d’exemples pour chacune conduit à des modèles peu fiables sur les classes sous-représentées. La règle de base : chaque classe doit disposer d’au moins plusieurs centaines d’instances annotées dans le dataset d’entraînement pour qu’un détecteur commence à généraliser correctement. Pour les classes rares, la question n’est pas de les supprimer, mais d’anticiper leur collecte dès la phase de constitution du dataset, avant que le budget d’annotation ait été engagé sur d’autres images.
La granularité de l’ontologie doit également être alignée sur le besoin métier réel. Un modèle de détection déployé pour déclencher une alerte de sécurité n’a pas besoin de distinguer dix sous-types de véhicules : deux ou trois classes suffisent et seront bien mieux apprises. À l’inverse, un modèle de tri automatique qui doit aiguiller des produits vers des lignes différentes selon leur référence précise justifie une ontologie plus granulaire, à condition que le dataset soit dimensionné en conséquence.
Nommer et délimiter chaque classe sans ambiguïté
Un nom de classe n’est qu’un point de départ. Ce qui compte, c’est la définition écrite dans les consignes : qu’est-ce qui appartient à cette classe, et qu’est-ce qui en est exclu ? Deux classes dont les définitions se chevauchent génèrent de la confusion chez les annotateurs et du bruit dans le dataset. La frontière entre « voiture » et « véhicule léger », entre « rayure » et « égratignure », entre « adulte » et « adolescent » n’est pas évidente sans une définition explicite.
Chaque classe doit être accompagnée d’exemples positifs et négatifs visuels dans les consignes. Les cas limites les plus fréquents (objets partiellement visibles, objets de classe ambiguë, variantes de teinte ou de forme inhabituelles) doivent être tranchés avant que la production commence, et non en cours de route. Une décision prise collectivement au moment de la rédaction des consignes vaut mieux que dix décisions contradictoires prises individuellement par les annotateurs.
Gérer les classes rares et déséquilibrées
Le déséquilibre de classes est l’un des problèmes les plus courants en annotation d’images pour la détection. Lorsqu’une classe représente 95 % des instances et qu’une autre n’en représente que 1 %, le modèle tend à ignorer la classe minoritaire, car l’ignorer réduit son erreur globale sans impacter sa performance sur la classe dominante. Or, dans de nombreux contextes industriels ou de sécurité, ce sont précisément les classes rares qui ont le plus de valeur opérationnelle : le défaut à détecter, l’objet dangereux, l’anomalie.
Deux stratégies complémentaires permettent d’atténuer ce déséquilibre. La première consiste à orienter la collecte d’images vers les scènes qui contiennent des instances des classes rares, avant de commencer l’annotation. La seconde recourt à des techniques d’augmentation de données ciblées après annotation : recadrage, transformation affine, mixage d’images. Ces deux approches ne se substituent pas l’une à l’autre : elles sont complémentaires et doivent être planifiées dès la conception du dataset.
Étape 2 – Choisir la géométrie d’annotation d’images adaptée à la détection
Le choix de la géométrie d’annotation détermine à la fois la précision du dataset et le coût de production. Pour la détection d’objets, plusieurs types de géométries sont disponibles, chacun avec ses avantages et ses contraintes.
La bounding box, standard de la détection d’objets
La bounding box reste la géométrie la plus utilisée en annotation d’images pour la détection, pour une raison simple : les architectures de détection les plus répandues ont été conçues pour prédire des boîtes englobantes rectangulaires alignées sur les axes de l’image. YOLO dans ses différentes versions, Faster R-CNN, DETR et leurs nombreux dérivés prédisent tous, en sortie, des coordonnées de boîtes. La bounding box offre le meilleur compromis entre précision de localisation et vitesse d’annotation.
La règle de tightness est fondamentale : une bounding box doit être la plus serrée possible autour de l’objet visible, sans rogner de pixels appartenant à cet objet. Une boîte trop large inclut du fond parasite qui brouille le signal d’apprentissage ; une boîte trop serrée ampute l’objet et le modèle apprend une représentation incomplète. Les consignes doivent préciser explicitement si les parties masquées par une occlusion doivent être incluses dans la boîte ou non, car les annotateurs ne convergeront pas naturellement vers la même règle.
Bounding boxes orientées pour les objets inclinés
Lorsque les objets présentent des orientations variées dans l’image et que leur bounding box rectangulaire classique engloberait beaucoup de fond inutile, les bounding boxes orientées (OBB, Oriented Bounding Boxes) offrent une localisation plus précise. Utilisées notamment en imagerie aérienne et satellite pour délimiter des avions sur un tarmac, des véhicules garés en épi ou des bâtiments à orientation oblique, elles permettent d’ajuster la boîte à l’axe réel de l’objet. Leur annotation est plus lente et requiert des outils qui supportent explicitement cette géométrie.
Quand le polygone remplace la boîte
Pour certaines applications de détection, la précision de localisation requise dépasse ce qu’une bounding box peut offrir. La segmentation d’instances, qui délimite l’objet au pixel près par un polygone ou un masque, est alors préférée. Cette approche s’impose pour les objets de forme très irrégulière, les défauts fins sur des surfaces industrielles, ou les contextes où la forme exacte de l’objet est exploitée par un traitement aval. Elle multiplie cependant le temps d’annotation par un facteur important, et ne se justifie que si la précision au pixel apporte réellement de la valeur au modèle ou à l’application.
Étape 3 – Annoter les occlusions, règle d’or de l’annotation d’images de détection
Les occlusions représentent l’un des défis les plus fréquents et les plus mal résolus en annotation d’images pour la détection. Un objet est dit occlus lorsqu’une partie de sa surface est masquée par un autre objet (occlusion inter-objets) ou par le bord de l’image (troncature). Mal gérées, les occlusions introduisent une incohérence massive dans le dataset : des objets analogues sont tantôt annotés, tantôt ignorés, selon l’interprétation individuelle de chaque annotateur.
Définir un seuil de visibilité
La première décision à inscrire dans les consignes est la définition d’un seuil de visibilité minimal pour qu’un objet soit annoté. Le standard le plus courant en détection d’objets consiste à annoter tout objet dont au moins 20 à 30 % de la surface est visible dans le cadre de l’image, et à ignorer les objets dont la partie visible est inférieure à ce seuil. Ce chiffre peut varier selon le contexte : pour la détection de personnes dans des environnements de sécurité, annoter un objet avec seulement 10 % de visibilité peut être pertinent si même une silhouette partielle déclenche l’alerte. Pour des objets industriels où la forme est déterminante, un seuil de 50 % peut être plus adapté.
Ce seuil doit être explicitement inscrit dans les consignes, accompagné d’exemples visuels pour les cas proches de la limite. L’absence de règle écrite conduit chaque annotateur à trancher selon son propre jugement, générant une variance considérable sur les objets partiellement visibles, précisément ceux qui sont les plus difficiles à détecter pour le modèle.
Gérer l’attribut de troncature et d’occlusion
Au-delà du seuil de visibilité, de nombreux projets utilisent des attributs pour qualifier le degré d’occlusion de chaque instance annotée. Un attribut binaire (occlu / non occlu) ou gradué (occlusion faible / modérée / forte) permet au modèle d’apprendre à pondérer la confiance de ses prédictions selon la visibilité de l’objet, et à l’équipe d’évaluation d’identifier les cas difficiles dans les métriques de performance.
Ces attributs sont particulièrement précieux pour les projets de détection en environnement dense : entrepôts logistiques, scènes de rue, convoyeurs industriels, où les objets se chevauchent fréquemment. Ils permettent aussi, en post-traitement, d’analyser les erreurs du modèle selon le niveau d’occlusion et de concentrer les efforts de collecte de données là où le modèle peine le plus.
Cas des empilements et de la troncature
La troncature correspond au cas où un objet est partiellement sorti du cadre de l’image. La règle la plus courante : annoter la partie visible par une bounding box ajustée exactement à ce qui est visible, sans extrapoler la partie hors-cadre. Un attribut « tronqué » peut être ajouté pour signaler au modèle que l’objet est incomplet, ce qui lui permet d’apprendre à prédire même dans ce cas.
Pour les objets empilés ou en contact les uns avec les autres, les consignes doivent trancher si chaque instance est annotée séparément (standard pour la détection d’instances distinctes) ou si un groupe peut être traité comme une seule annotation. Cette deuxième option n’est acceptable que si le modèle n’a pas besoin de compter ou de distinguer les instances individuelles dans le groupe. Dans les contextes de logistique ou de tri automatisé, où compter les unités est souvent un objectif explicite, chaque instance doit être annotée séparément, quelle que soit la densité de l’image.
Étape 4 – Les petits objets, défi central de l’annotation d’images
La détection de petits objets est reconnue comme l’une des difficultés majeures en vision par ordinateur. Dans le benchmark MS COCO, référence internationale pour l’évaluation des modèles de détection, un « petit objet » est défini comme ayant une surface inférieure à 32×32 pixels dans l’image d’entrée. Les modèles de détection actuels, y compris les plus performants, voient leurs scores chuter significativement sur cette catégorie par rapport à leurs résultats sur les objets moyens et grands.
Définition opérationnelle d’un petit objet
En pratique, la définition d’un petit objet dépend du contexte métier et de la résolution des images utilisées. Pour un projet de surveillance d’un parking filmé par une caméra en hauteur, un piéton de 15 pixels de hauteur est petit. Pour un projet de contrôle qualité en macrophotographie industrielle, un défaut de 10 pixels peut correspondre à une anomalie de plusieurs millimètres avec une importance critique. La notion de « petit » est toujours relative à l’image, pas à la taille physique de l’objet réel.
Avant de commencer l’annotation d’images, il est utile de définir explicitement dans les consignes ce que signifie « petit » dans le contexte du projet, afin que les annotateurs sachent jusqu’à quel niveau de détail descendre. Une définition par seuil de surface (en pixels carrés) est plus précise qu’une définition subjective (« objets difficiles à voir »), car elle est vérifiable et applicable de manière homogène.
Règles d’annotation spécifiques aux petits objets
Les petits objets posent plusieurs problèmes pratiques lors de l’annotation d’images. Leur délimitation précise par une bounding box est difficile sans un niveau de zoom suffisant dans l’outil d’annotation : un zoom d’au moins facteur 8 est recommandé pour les objets inférieurs à 20 pixels. Leur classification est souvent ambiguë en raison du faible niveau de détail visible. Leur densité dans certaines images, pouvant atteindre plusieurs dizaines de petits objets dans des scènes aériennes ou des images de pièces en vrac, allonge considérablement le temps d’annotation par image.
Plusieurs règles pratiques s’appliquent. Les annotateurs doivent être instruits d’annoter systématiquement tous les objets répondant à la définition de classe, quelle que soit leur taille apparente, sauf si la consigne fixe une taille minimale explicite. La tentation d’omettre les petits objets pour gagner du temps est réelle et doit être anticipée par des consignes claires et des contrôles qualité ciblés sur ce type d’instances. Des séances de calibration spécifiques aux petits objets, avec correction collective des cas litigieux, permettent d’aligner les pratiques des annotateurs avant la phase de production.
Couvrir les petits objets dans le dataset
Les petits objets sont souvent sous-représentés dans un dataset constitué de façon non contrôlée, notamment parce que les images qui en contiennent le plus sont celles prises à grande distance ou avec un champ de vue large. Pour qu’un modèle apprenne à détecter les petits objets avec fiabilité, il doit en avoir vu un nombre suffisant dans des contextes variés : éclairage différent, fonds hétérogènes, degrés d’occlusion variés.
La phase de constitution du dataset doit inclure une vérification explicite de la distribution des tailles des objets annotés, sous forme de statistiques (distribution des surfaces de bounding box) ou de visualisations. Si les petits objets représentent moins de 15 à 20 % des instances totales alors qu’ils sont présents dans les scènes réelles, une collecte complémentaire ciblée est nécessaire avant d’entraîner le modèle. Corriger un déséquilibre de couverture après annotation est coûteux ; l’anticiper lors de la collecte est beaucoup plus efficace.
Étape 5 – Contrôle qualité de l’annotation d’images pour la détection
Un processus de contrôle qualité rigoureux est indissociable d’un projet d’annotation d’images fiable pour la détection. Contrairement aux tâches de classification où l’erreur est binaire (bonne ou mauvaise étiquette), la qualité d’une annotation de détection est graduée : une boîte englobante peut être correctement classée mais mal positionnée, ou correctement positionnée mais associée à la mauvaise classe. Ces deux types d’erreurs ont des effets différents sur le modèle et doivent être mesurés séparément.
L’IoU comme métrique centrale
L’Intersection over Union (IoU) est la métrique de référence pour mesurer la qualité de positionnement d’une bounding box. Elle calcule le rapport entre la surface d’intersection et la surface d’union de la boîte annotée et de la boîte de référence. Un IoU supérieur à 0,7 est généralement considéré comme une annotation bien positionnée ; un IoU inférieur à 0,5 signale un écart de positionnement trop important. En contrôle qualité, l’IoU est calculé entre les annotations de production et un gold standard constitué d’annotations validées par un expert. Les images dont l’IoU moyen est inférieur au seuil défini sont renvoyées en correction à l’annotateur concerné.
La moyenne des Précisions Moyennes (mAP) calculée sur les annotations de validation permet d’évaluer la qualité du dataset de façon plus globale, en intégrant à la fois la précision de localisation et la précision de classification. Suivre cette métrique tout au long de la production, et pas seulement à la livraison finale, permet de détecter les dérives précocement.
Gold standards et double contrôle en production
Un gold standard est un ensemble d’images annotées par des experts, dont les annotations servent de référence pour mesurer la qualité des annotateurs de production. Insérer des images gold standard dans les lots de production, à raison de 2 à 5 % du volume, permet de détecter les dérives de qualité en temps réel, sans attendre la fin d’un lot pour auditer. Lorsqu’un annotateur produit des résultats sous le seuil sur les images gold, ses annotations de la période correspondante peuvent être ciblées pour un audit renforcé.
Le double contrôle, où chaque annotation est vérifiée par un contrôleur indépendant avant livraison, complète ce dispositif. Pour les projets à exigences élevées, comme la détection d’objets dans des systèmes de sécurité ou des contextes médicaux, une vérification à 100 % des annotations de production est recommandée. Un processus documenté de résolution des désaccords entre annotateur et contrôleur garantit que la décision finale est toujours prise selon les consignes, et non selon le jugement individuel du contrôleur.
Les pièges à éviter en annotation d’images pour la détection
Plusieurs erreurs récurrentes dégradent la qualité des datasets de détection, parfois de façon non visible avant l’entraînement du modèle. Les identifier en amont permet d’y remédier par des règles dans les consignes plutôt que par des corrections coûteuses a posteriori.
Le premier piège est celui des boîtes trop larges. Lorsque les annotateurs dessinent des bounding boxes qui incluent du contexte au-delà de l’objet (fond, objets adjacents, zone de sécurité floue), le modèle apprend à associer la classe à ce contexte plutôt qu’à l’objet lui-même. Il devient dépendant du contexte visuel pour classer, et ses performances chutent dès que l’objet apparaît dans un environnement différent de celui du dataset d’entraînement. Ce problème est particulièrement fréquent sur les objets de forme allongée ou irrégulière, dont les annotateurs délimitent parfois la bounding box en incluant largement la zone environnante par prudence.
Le deuxième piège est la confusion entre classes proches. Dans tout projet d’annotation d’images impliquant des classes visuellement similaires, les annotateurs peuvent hésiter et assigner des instances à la mauvaise classe. Ce phénomène est prévisible et se résout par des consignes précises, des exemples de cas limites illustrés, et des séances de calibration régulières au début de chaque nouveau lot. Un taux de confusion élevé entre deux classes spécifiques est un signal que leur définition dans les consignes doit être affinée.
Le troisième piège est l’omission systématique des petits objets. Lorsque les consignes ne précisent pas explicitement que les petits objets doivent être annotés, certains annotateurs les ignorent, considérant qu’ils ne sont pas suffisamment visibles pour être pertinents. Cette omission biaise le modèle de façon importante : il ne voit jamais les petits objets pendant l’entraînement, et produit donc des faux négatifs systématiques sur ces instances en inférence.
Le quatrième piège est l’absence de règle sur les objets ambigus (partiellement visibles, flous, en contre-jour, ou de classe incertaine). Sans règle explicite, chaque annotateur tranche seul des cas que les consignes auraient dû anticiper. Ces décisions individuelles créent une incohérence dans le dataset qui est difficile à quantifier et à corriger après coup. Une règle imparfaite mais homogène vaut toujours mieux qu’une absence de règle qui laisse le dataset hétérogène.
Externaliser l’annotation d’images pour la détection : les critères décisifs
L’annotation d’images pour la détection représente souvent un volume de travail considérable, difficile à absorber en interne pour des équipes data science dont le coeur de métier est la modélisation. L’externalisation permet de scaler la production d’annotations sans recruter ni former une équipe dédiée. Elle suppose cependant de choisir un prestataire capable de comprendre les enjeux métier du projet, pas seulement d’exécuter des consignes.
La capacité à gérer des taxonomies complexes est le premier critère à évaluer. Un projet de détection implique souvent plusieurs dizaines de classes, des attributs multiples par instance (occlusion, troncature, degré de visibilité), et des cas de figure non standards que les consignes ne peuvent pas tous anticiper. Le prestataire doit être en mesure de faire remonter les cas litigieux rapidement, de mettre à jour ses consignes en cours de production, et de maintenir la cohérence des annotations passées lors de chaque mise à jour.
La rigueur du processus qualité constitue le deuxième critère. Comment les annotations sont-elles vérifiées ? À quelle fréquence ? Selon quelles métriques ? Un prestataire sérieux doit être en mesure de fournir des rapports de qualité par lot, avec des métriques de type IoU ou taux de conformité aux gold standards. Le niveau de contrôle doit pouvoir être ajusté selon les exigences du projet : un contrôle à 25 % suffit pour des projets standard ; un contrôle à 100 % peut être nécessaire pour des applications à enjeux élevés.
La sécurité des données représente un troisième point incontournable. Les images de production comportent souvent des informations sensibles : données personnelles sur des personnes filmées, propriété intellectuelle sur des produits ou des procédés industriels, données confidentielles sur des infrastructures. La vérification des certifications du prestataire (ISO 27001, conformité RGPD), de ses pratiques de sécurité réseau et de son modèle d’hébergement des données est indispensable avant toute transmission de dataset.
Enfin, la réactivité opérationnelle en cas de question ou d’évolution des consignes conditionne la fluidité du projet dans la durée. Un projet d’annotation d’images en détection évolue toujours : des classes sont ajoutées, des règles sont affinées, des cas imprévus apparaissent. Un interlocuteur technique dédié, disponible et réactif, est un atout opérationnel autant qu’un critère de qualité.
Pour en savoir plus sur les spécificités de l’annotation 2D et 3D pour la computer vision, consultez la page dédiée aux services d’annotation d’Infoscribe AI, qui détaille les modalités d’intervention et les types de projets traités.
La détection d’objets en trois dimensions, via l’annotation de nuages de points LiDAR, soulève des défis complémentaires à ceux abordés dans ce tutoriel. Si votre projet intègre des capteurs 3D en complément des caméras, vous trouverez un traitement détaillé de ces spécificités dans notre article sur l’annotation de nuages de points LiDAR et le passage de la 2D à la 3D.
Conclusion : bâtir une méthodologie d’annotation d’images pour la détection qui tient en production
L’annotation d’images pour la détection d’objets est une discipline à part entière, qui exige une méthodologie structurée à chaque étape : conception de l’ontologie, choix de la géométrie, gestion des occlusions, traitement des petits objets et contrôle qualité continu. Ces décisions ne peuvent pas être prises à la légère ni déléguées sans cadre précis : elles déterminent directement la capacité du modèle à généraliser en conditions réelles.
Les équipes qui investissent dans la qualité de leurs annotations, notamment par des consignes précises, une calibration régulière des annotateurs et des métriques de contrôle systématiques, produisent des datasets qui permettent d’entraîner des modèles fiables et maintenables. Celles qui négligent cette étape se retrouvent à corriger des erreurs systématiques longtemps après que l’annotation a été réalisée, souvent à un coût supérieur à ce qu’aurait coûté une méthodologie rigoureuse dès le départ.
Si vous souhaitez discuter des spécificités de votre projet de détection et obtenir un retour concret sur votre dispositif d’annotation, contactez l’équipe Infoscribe AI pour un échange avec nos équipes techniques.
