Pour citer ce mémoire et accéder à toutes ses pages
🏫 Ecole internationale supérieure privée polytechnique de Sousse
📅 2023/2024
🎓 Auteur·trice·s
BAOULA N. Abdoul – Aziz
BAOULA N. Abdoul – Aziz

La validation des modèles de détection marine est essentielle pour évaluer l’efficacité des architectures YOLOv8, YOLOv9 et Faster R-CNN dans la classification d’objets marins. Ce chapitre analyse les performances de ces modèles à l’aide de métriques clés telles que la précision moyenne (mAP) et le rappel.


Chapitre 3

Tests et Validation

Introduction

Dans ce chapitre, nous pr´esentons une analyse approfondie des r´esultats obtenus a` par- tir des mod`eles de d´etection et de classification d’objets marins que nous avons d´evelopp´es en utilisant les architectures YOLOv8, YOLOv9 et Faster R-CNN. Nous proc´ederons `a une interpr´etation d´etaill´ee des r´esultats, en ´evaluant les performances de chaque mod`ele selon plusieurs m´etriques cl´es telles que la pr´ecision moyenne (mAP) et le rappel.

Les r´esultats seront visualis´es a` l’aide de tableaux pour faciliter une compr´ehension claire des performances des mod`eles. En outre, nous effectuerons une analyse critique de la m´ethodologie employ´ee pour le d´eveloppement et l’´evaluation des mod`eles. Cette analyse comprendra une comparaison avec les travaux ant´erieurs dans le domaine, permettant de situer notre approche dans le contexte des recherches existantes.

Nous identifierons ´egalement les limitations de notre ´etude, en discutant des aspects qui pourraient ˆetre am´elior´es et des d´efis rencontr´es au cours du projet.

Distribution des classes

Cette section montre la r´epartition des classes dans l’ensemble de donn´ees utilis´e pour l’entraˆınement du mod`ele. La figure 3.1 illustre la distribution des diff´erentes classes, ce qui est crucial pour comprendre la composition de l’ensemble de donn´ees et pour ajuster les techniques de traitement et d’augmentation des donn´ees en cons´equence.

[detection-objets-marins-par-drone-avance_1]

Figure 3.1 – Distribution des classes

Algorithmes utilis´es

Cette section fournit un aperc¸u d´etaill´e des r´esultats obtenus en utilisant les diff´erents algorithmes appliqu´es `a notre projet. Nous examinerons les performances de chaque al- gorithme en termes de pr´ecision, de rapidit´e et d’efficacit´e, en analysant les r´esultats exp´erimentaux pour ´evaluer leur impact sur la d´etection et la classification des objets marins.

YOLOv8

YOLOv8 a ´et´e le premier mod`ele test´e dans notre projet de d´etection d’objets marins. Les r´esultats montrent que YOLOv8 est capable de d´etecter et de classifier les objets ma- rins avec une pr´ecision raisonnable. Cependant, il a rencontr´e des difficult´es avec certaines classes d’objets moins fr´equentes, ce qui a affect´e ses performances globales.

Table 3.1 – Mesures de performance de YOLOv8
MesureValeur
Pr´ecision moyenne (mAP)72%
Rappel68%

Les r´esultats de YOLOv8 indiquent qu’il est un bon point de d´epart, mais il y a des op- portunit´es d’am´elioration, notamment en ´equilibrant les classes d’objets dans l’ensemble de donn´ees et en affinant les hyperparam`etres du mod`ele.

YOLOv9

YOLOv9 a introduit des am´eliorations architecturales et des techniques de pr´e-traitement des donn´ees pour mieux g´erer les classes d´es´equilibr´ees. Les r´esultats montrent une am´elioration notable par rapport a` YOLOv8, avec des performances accrues sur toutes les m´etriques ´evalu´ees.

Table 3.2 – Mesures de performance de YOLOv9
MesureValeur
Pr´ecision moyenne (mAP)78%
Rappel74%

YOLOv9 a d´emontr´e une meilleure capacit´e `a d´etecter les objets marins rares et a r´eduit les faux n´egatifs par rapport a` YOLOv8. Ces am´eliorations montrent que les ajustements apport´es au mod`ele et aux donn´ees ont un impact positif significatif.

FASTER RCNN

FASTER RCNN a int´egr´e des avanc´ees suppl´ementaires en termes de traitement des donn´ees et d’optimisation du mod`ele. FASTER RCNN a atteint un bon niveau de perfor- mance. Cependant, FASTER RCNN se r´ev`ele ˆetre lent a` l’entraˆınement tout en consom- mant beaucoup de ressources, ´egalement il est lent lors de la d´etection des objets.

Table 3.3 – Mesures de performance de FASTER RCNN
MesureValeur
Pr´ecision moyenne (mAP)81%
Rappel79%

Les r´esultats de FASTER RCNN montrent une am´elioration continue des perfor- mances, d´emontrant l’efficacit´e des am´eliorations apport´ees aux algorithmes de d´etection et aux m´ecanismes de traitement des donn´ees.

Tableau r´ecapitulatif des performances

Cette section pr´esente un tableau r´ecapitulatif des performances des diff´erents algo- rithmes ´evalu´es, offrant une vue d’ensemble comparative des r´esultats obtenus.

Table 3.4 – R´ecapitulatif des performances des mod`eles
Mod`elePr´ecision Moyenne (mAP)Rappel
Yolo v872%68%
Yolo v978%74%
Faster Rcnn81%79%

Visualisation des graphes

Cette section pr´esente les graphes sp´ecifiques de l’analyse d´etaill´ee des performances pour chaque mod`ele.

YOLOv8

  • Performance d’entraˆınement: Le graphique ci-dessous montre l’´evolution des performances du mod`ele YOLOv8 pendant la phase d’entraˆınement. Les m´etriques incluent la perte (loss) de pr´ecision des boˆıtes englobantes, de classification et de la pr´ediction des coordonn´ees des boˆıtes englobantes.

[detection-objets-marins-par-drone-avance_1]

Figure 3.2 – Performance Entraˆınement YOLOv8

  • Performance de validation: Le graphique ci-dessous montre l’´evolution des per- formances du mod`ele YOLOv8 pendant la phase de validation. Les m´etriques in- cluent la perte (loss) de pr´ecision des boˆıtes englobantes, de classification et de la pr´ediction des coordonn´ees des boˆıtes englobantes.

[detection-objets-marins-par-drone-avance_1]

Figure 3.3 – Performance Validation YOLOv8

  • M´etriques de mAP et de rappel: Les graphiques ci-dessous montrent la pr´ecision moyenne (mAP) a` diff´erents seuils de IoU (Intersection over Union). La mAP@50 repr´esente la pr´ecision moyenne a` un seuil de 50% de IoU, tandis que la mAP@50 :95 est une moyenne de la pr´ecision `a des seuils variant de 50% `a 95%.

[detection-objets-marins-par-drone-avance_1]

Figure 3.4 – Performance Pr´ecision et Rappel YOLOv8

  • M´etriques de precision-confidence curve: Le graphique 3.5 ci-dessous montre la pr´ecision en fonction de la confiance pour un seuil donn´e.

[detection-objets-marins-par-drone-avance_1]

Figure 3.5 – Pr´ecision YOLOv8

YOLOv9

  • Performance d’entraˆınement: Le graphique ci-dessous montre l’´evolution des performances du mod`ele YOLOv9 pendant la phase d’entraˆınement. Les m´etriques incluent la perte (loss) de pr´ecision des boˆıtes englobantes, de classification et de la pr´ediction des coordonn´ees des boˆıtes englobantes.

[detection-objets-marins-par-drone-avance_1]

Figure 3.6 – Performance Entraˆınement YOLOv9

  • Performance de validation: Le graphique ci-dessous montre l’´evolution des per- formances du mod`ele YOLOv9 pendant la phase de validation. Les m´etriques in- cluent la perte (loss) de pr´ecision des boˆıtes englobantes, de classification et de la pr´ediction des coordonn´ees des boˆıtes englobantes.

[detection-objets-marins-par-drone-avance_1]

Figure 3.7 – Performance Validation YOLOv9

  • M´etriques de mAP et de rappel: Les graphiques ci-dessous montrent la pr´ecision moyenne (mAP) a` diff´erents seuils de IoU (Intersection over Union). La mAP@50 repr´esente la pr´ecision moyenne a` un seuil de 50% de IoU, tandis que la mAP@50 :95 est une moyenne de la pr´ecision `a des seuils variant de 50% `a 95%.

[detection-objets-marins-par-drone-avance_1]

Figure 3.8 – Performance Pr´ecision et Rappel YOLOv9

  • M´etriques de precision-confidence curve: Le graphique 3.9 ci-dessous montre la pr´ecision en fonction de la confiance pour un seuil donn´e.

[detection-objets-marins-par-drone-avance_1]

Figure 3.9 – Pr´ecision YOLOv9

FASTER RCNN

  • Performance d’entraˆınement: Le graphique ci-dessous montre l’´evolution des performances du mod`ele FASTER RCNN pendant la phase d’entraˆınement. Les m´etriques incluent les pertes (loss) de classification, de r´egression et de RPN.

[detection-objets-marins-par-drone-avance_1]

Figure 3.10 – Performance Entraˆınement FASTER RCNN

  • Performance de validation: Le graphique ci-dessous montre l’´evolution des per- formances du mod`ele FASTER RCNN pendant la phase de validation. Les m´etriques incluent les pertes (loss) de classification, de r´egression et de RPN.

[detection-objets-marins-par-drone-avance_1]

Figure 3.11 – Performance Validation FASTER RCNN

  • M´etriques de mAP et de rappel: Les graphiques ci-dessous montrent la pr´ecision moyenne (mAP) a` diff´erents seuils de IoU (Intersection over Union). La mAP@50 repr´esente la pr´ecision moyenne a` un seuil de 50% de IoU, tandis que la mAP@50 :95 est une moyenne de la pr´ecision `a des seuils variant de 50% `a 95%.

[detection-objets-marins-par-drone-avance_1]

Figure 3.12 – Performance Pr´ecision et Rappel FASTER RCNN

  • M´etriques de precision-confidence curve: Le graphique 3.13 ci-dessous montre la pr´ecision en fonction de la confiance pour un seuil donn´e.

[detection-objets-marins-par-drone-avance_1]

Figure 3.13 – Pr´ecision FASTER RCNN

Rechercher
Télécharger ce mémoire en ligne PDF (gratuit)

Laisser un commentaire

Votre adresse courriel ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Scroll to Top