La figure de cette section a montré l’effet de la Suppression des Non-Maximums sur un ensemble de boîtes produites par un détecteur de type sliding window : de multiples détections redondantes par objet ont été réduites à une seule boîte par objet. Vous avez été chargé de réimplémenter, octet par octet, les deux fonctions qui ont produit ce résultat — calcular_iou et supressao_nao_maximos — afin de confirmer, de vos propres mains, exactement les nombres que le chapitre a présentés.
Entrée : Lire l’entier \(N\) (nombre de boîtes) et le réel \(\tau\) (seuil d’IoU). Ensuite, lire \(N\) lignes, chacune avec cinq réels \(x_{min}\ y_{min}\ x_{max}\ y_{max}\ \text{score}\).
Intersection sur Union : Pour deux boîtes \(A\) et \(B\), \[ \mathrm{IoU}(A,B) = \frac{\text{aire}(A \cap B)}{\text{aire}(A \cup B)}, \] avec une aire d’intersection nulle lorsque les boîtes ne se chevauchent pas.
Algorithme de NMS (exactement comme décrit dans le chapitre) :
Trier les boîtes par score décroissant (les égalités conservent l’ordre de lecture original).
Sélectionner la boîte ayant le score le plus élevé parmi les restantes ; l’ajouter à la sortie et la retirer de la liste.
Éliminer, de la liste restante, toutes les boîtes dont l’IoU avec la boîte sélectionnée est supérieur ou égal à \(\tau\) — seules les boîtes avec \(\mathrm{IoU} < \tau\) restent candidates.
Répéter (b)–(c) jusqu’à ce que la liste des restantes soit vide.
Sortie : Pour chaque boîte conservée, dans l’ordre où elle a été sélectionnée, imprimer son indice original (position de lecture, à partir de \(0\)) et son score, avec 2 décimales. À la fin, imprimer Total mantidas: X.
score.| Élément | Rôle dans le post-traitement |
|---|---|
| IoU | Quantifie le chevauchement spatial entre deux boîtes englobantes |
| Sliding window (Haar Cascade) | Produit généralement plusieurs détections chevauchantes pour le même objet, à des positions et échelles proches |
| Seuil \(\tau\) | Contrôle l’agressivité de la suppression : trop faible fusionne les objets proches ; trop élevé laisse passer les redondances |
Tri par score |
Garantit que, parmi les boîtes redondantes, celle avec la plus grande confiance survive toujours |
Entrée :
Sortie :
indice score (score avec 2 décimales).Total mantidas: X.| Entrée | Sortie | Observation |
|---|---|---|
| 5 0.4 50 50 150 150 0.90 60 55 155 145 0.75 58 60 160 150 0.60 300 300 400 420 0.95 310 305 395 415 0.70 |
3 0.95 0 0.90 Total mantidas: 2 |
Exactement l’exemple de la figure du chapitre : 5 boîtes redondantes (2 objets) deviennent 2 détections finales. L’IoU entre la 1re et la 2e boîtes est \(\approx 0{,}775\), bien au-dessus de \(\tau=0{,}4\). |
%%writefile EP08_04.py
# Code PythonOverwriting EP08_04.pyTestSuite("EP08_04.py").run()✔️ EP08_04.cases existe déjà dans casos/
📋 6 cas chargé(s) depuis casos/EP08_04.cases
🔍 Test de Python : EP08_04.py
⚠️ EP08_04.py : fichier vide (moins de 3 lignes). Tests ignorés.