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 | |
|---|---|
| Mesure | Valeur |
| Pr´ecision moyenne (mAP) | 72% |
| Rappel | 68% |
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 | |
|---|---|
| Mesure | Valeur |
| Pr´ecision moyenne (mAP) | 78% |
| Rappel | 74% |
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 | |
|---|---|
| Mesure | Valeur |
| Pr´ecision moyenne (mAP) | 81% |
| Rappel | 79% |
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`ele | Pr´ecision Moyenne (mAP) | Rappel |
| Yolo v8 | 72% | 68% |
| Yolo v9 | 78% | 74% |
| Faster Rcnn | 81% | 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