La taille des masques prédit mieux la qualité de segmentation que le nombre d’exemples

Le modèle délimite correctement la porte d’une voiture, mais ne remarque pas la rayure qui s’y trouve. L’AP moyenne reste pourtant acceptable : les grandes pièces sont fréquentes, bien reconnues et masquent l’échec précisément là où le système devait être utile.

C’est ce piège qu’a révélé la comparaison de Mask R-CNN et YOLO11s-seg sur 1 812 photographies industrielles anonymisées de véhicules endommagés. Le jeu de données comptait 29 classes et près de 25 000 objets annotés, des éléments de carrosserie aux bosses, fissures et traces de corrosion. La principale conclusion pratique est simple : avant de changer d’architecture ou de commander davantage d’annotations, calculez combien de pixels occupe l’objet recherché après la réduction de l’image à la taille d’entrée du réseau.

La métrique moyenne masque les petits défauts

Le jeu de données initial présente un fort déséquilibre : la classe la plus fréquente apparaît plus de 3 200 fois, la plus rare moins de 80 fois. Pourtant, le nombre d’exemples n’expliquait presque pas les performances par classe : sa corrélation avec l’AP était d’environ −0,23. En revanche, le lien avec le logarithme de la surface médiane des masques était marqué, entre 0,68 et 0,74.

La raison se comprend sans mathématiques complexes. Après réduction d’une photographie à 512×384, une fine rayure devient une bande large de quelques pixels. Environ 41 % des défauts occupent moins de huit pixels. L’entropie croisée binaire classique moyenne l’erreur sur toute la zone : le signal d’un masque minuscule se perd donc parmi des milliers d’autres pixels.

Il en résulte un effet produit gênant. On peut doubler le nombre de photographies aléatoires, mais obtenir surtout de nouvelles portes et de nouveaux pare-chocs que le modèle sait déjà détecter. Dans l’expérience, le passage de 100 à 200 images a ajouté 0,096 de mIoU, tandis que le passage de 200 à 400 n’a ajouté que 0,007. Tout annoter sans distinction s’est révélé bien moins rentable que de collecter de façon ciblée des défauts rares et petits.

Ce qui a réellement changé les résultats

La modification utile la moins coûteuse a été le remplacement de la fonction de perte. La combinaison BCE + Dice a fait passer l’AP globale de 0,190 à 0,200. Le gain a atteint 14,7 % pour les petits objets et 15,8 % pour les classes de défauts. Pour les fissures, l’AP est devenue durablement supérieure à zéro pour la première fois. L’architecture et la vitesse d’inférence sont restées inchangées.

Focal Loss sans Dice a, au contraire, réduit l’AP à 0,177. Dans cette tâche, tenir compte de la proportion d’intersection par rapport à la surface du masque s’est révélé plus important que simplement renforcer le poids des pixels difficiles.

Le taux d’apprentissage était lui aussi critique. Pour Mask R-CNN avec AdamW, une valeur de 1e-4 a donné une mIoU de 0,252, contre 0,125 avec 5e-4 et seulement 0,029 avec 1e-3. Des mises à jour trop importantes effaçaient rapidement les caractéristiques utiles acquises lors du préentraînement sur COCO. Un entraînement depuis zéro sur 400 images n’a pratiquement pas fonctionné : la mIoU s’est arrêtée autour de 0,001.

Les exécutions courtes exigent également de la prudence. Deux époques ont préservé le classement des réglages efficaces, mais ont fortement sous-estimé le plafond de qualité. Après 15 époques, la mIoU de test est passée d’environ 0,286 à 0,373, et l’AP de 0,165 à 0,190. Ce protocole convient à une sélection rapide des configurations, mais pas à la publication de la métrique finale.

L’architecture ne sauve pas un objet devenu invisible

Avec un code d’évaluation commun, YOLO11s-seg a obtenu une AP de 0,193, contre 0,189 pour Mask R-CNN. Sur les petits objets, l’écart était plus net : 0,180 contre 0,127. Mais YOLO utilisait une entrée de 640×640, de sorte que chaque défaut conservait une taille légèrement supérieure.

La différence d’ingénierie est plus importante que l’écart de qualité. YOLO compte 10,1 millions de paramètres contre 46 millions, son fichier de poids occupe 19,6 Mo contre 184 Mo, et le traitement d’une image prend environ 3,5–9,5 ms au lieu de 61–112 ms. Pour un appareil périphérique, c’est un argument solide. Mais l’AP moyenne des défauts est restée presque aussi faible dans les deux cas : 0,023 contre 0,020. Changer de modèle n’a pas restauré l’information perdue lors de la réduction de l’image.

L’étude présente aussi des limites. Elle porte sur un seul jeu de données industriel principal, une seule famille de modèles et un budget d’expérimentation restreint. La comparaison des résolutions ne démontre pas encore une « loi de détectabilité » universelle, et une partie des expériences sur le second jeu de données CarDD n’est pas terminée. Des écarts de quelques centièmes, sans intervalles de confiance, peuvent n’être que du bruit.

L’ordre pratique des opérations est donc le suivant : mesurer d’abord la taille des objets après la transformation d’entrée, puis choisir la résolution de la caméra et du réseau, régler le seuil selon le coût des faux négatifs et des faux positifs, vérifier un faible taux d’apprentissage et une fonction de perte adaptée. Ce n’est qu’ensuite qu’il faut collecter des données supplémentaires — pas n’importe lesquelles, mais celles qui contiennent réellement des cas petits et rares.