Le découpage des images a augmenté de 9,4 % l’AP des petits défauts, mais a triplé le temps d’analyse

Un petit éclat reste visible à l’œil nu sur la photo d’origine. Après réduction de l’image aux dimensions d’entrée du réseau neuronal, il n’en reste que quelques pixels, puis seulement une ou deux cellules sur la carte de caractéristiques. Pour le détecteur, ce n’est alors presque plus un objet, mais du bruit. Une idée simple — découper l’image en fragments et agrandir chacun d’eux — fonctionne effectivement. Elle présente toutefois un revers gênant : pendant que les petits défauts deviennent plus visibles, les grands se retrouvent morcelés.

L’auteur de l’expérience a évalué ce compromis sur 1 812 images industrielles de dommages automobiles. Avec une taille d’entrée de 512, environ 41 % des défauts faisaient moins de huit pixels. Pour les pièces de carrosserie, cette proportion n’était que de 1,6 %. La métrique agrégée paraissait donc correcte : les objets grands et faciles masquaient les performances presque nulles sur les plus petits.

Ce qu’a apporté le découpage

Le test le moins coûteux n’a nécessité aucun nouvel entraînement. Une Mask R-CNN déjà prête a été exécutée séparément sur les fragments de l’image ; les masques détectés ont ensuite été remappés dans les coordonnées de l’image complète, puis les doublons supprimés. L’AP des petits objets a augmenté de 9,4 %, et la mIoU de 8,8 %. Ce résultat rejoint le principe de SAHI : l’agrandissement de zones locales restitue au détecteur les détails qui disparaissent lors d’un redimensionnement classique.

Le coût s’est avéré loin d’être négligeable. Le traitement d’une image prenait 3 à 4 fois plus de temps, car le modèle devait parcourir séparément chaque fragment. Cela peut être acceptable pour l’inspection hors ligne de photographies. Pour un flux vidéo ou une ligne de production, ce ne l’est plus tant que l’équipe n’a pas optimisé la taille et le chevauchement des fragments ainsi que le nombre d’exécutions du modèle.

L’auteur a ensuite affiné le réseau sur les données découpées. La qualité s’est améliorée sur les fragments, mais, sur l’image complète, le modèle est devenu moins performant que la version initiale. La raison est simple : l’entraînement et l’évaluation utilisaient des échelles différentes. Le réseau s’est habitué à des zones agrandies et a perdu en fiabilité sur une image ordinaire.

Une tentative d’entraînement presque exclusivement fondée sur des fragments fortement agrandis a donné un résultat encore pire : l’AP globale sur l’image complète a chuté d’environ un tiers, et le rappel a été divisé par deux. Lorsque l’entraînement a de nouveau intégré un mélange d’images complètes et de fragments à différentes échelles, l’effondrement a presque disparu. Les petits défauts se sont nettement améliorés, mais les performances sur les grands ont diminué d’environ moitié.

Pourquoi l’AP globale est trompeuse

Sur un fragment, une grande bosse n’apparaît pas comme un objet entier, mais comme une portion dépourvue de limites naturelles. L’annotation est elle aussi coupée au bord de la tuile. À l’inférence, un seul grand défaut peut devenir plusieurs masques que les méthodes NMS ou NMM classiques ne fusionneront pas : les parties voisines ne se chevauchent presque pas, leur IoU est donc trop faible.

C’est précisément pourquoi la hausse de la métrique globale ne peut pas être considérée comme une victoire. Si le jeu de test contient beaucoup de petites pièces de carrosserie, leur amélioration masque la régression sur les grands dommages. Sans ventilation de l’AP par taille, une équipe peut déployer un modèle affichant une belle moyenne, mais moins performant sur une partie importante du problème réel.

Il existe également une limite statistique. Certaines classes ne comptent que quelques exemples, et la variation entre exécutions indépendantes sur les objets les plus petits est comparable au gain lui-même. L’AP moyenne des huit classes de défauts n’a pas encore dépassé celle du modèle de référence. Il s’agit d’une expérience d’ingénierie utile, mais pas de la preuve d’un avantage universel du découpage en tuiles.

Ce qu’il faut vérifier sur vos propres données

Avant l’entraînement, mesurez la taille des objets après le redimensionnement utilisé en production. Si seuls quelques pour cent d’entre eux ne font plus que quelques pixels, le découpage ajoutera probablement des calculs et des erreurs aux frontières sans bénéfice notable.

Si le problème est réel, commencez par appliquer le découpage uniquement à l’inférence sur un modèle existant. Vous pourrez ainsi mesurer rapidement le gain potentiel sans lancer un cycle d’entraînement coûteux. Comparez ensuite séparément l’image complète et les tuiles, calculez l’AP pour les petits, moyens et grands objets, ainsi que le rappel près des frontières des fragments.

Ne retirez pas les images complètes de l’entraînement. Mélangez les échelles et évaluez le modèle exactement dans les modes où il sera utilisé. Mesurez séparément combien de grands objets ont été scindés en deux masques ou davantage. La conclusion pratique n’est pas qu’il faut toujours découper les images, mais que l’échelle fait partie du contrat du modèle. Elle doit être testée avec autant de rigueur que l’architecture et les annotations.