Les modèles de détection d’objets peuvent produire plusieurs boîtes englobantes candidates pour un même objet, avec différentes positions et scores de confiance. L’étape de post-traitement chargée d’éliminer ces détections redondantes est la Suppression des Non-Maximums (NMS), dont l’opération fondamentale utilise la métrique de l’Intersection sur Union (IoU).
La NMS utilise cette mesure pour décider quelles boîtes doivent être conservées. En général, la boîte avec la plus haute confiance est sélectionnée en premier ; ensuite, les boîtes qui présentent une IoU supérieure à un certain seuil avec la boîte sélectionnée sont considérées comme redondantes et supprimées. Le processus est répété jusqu’à ce qu’il ne reste plus de boîtes candidates.
Dans cet exercice, vous devrez implémenter l’algorithme de NMS à partir de zéro, en calculant l’IoU entre les boîtes et en appliquant successivement le critère de sélection et de suppression pour produire l’ensemble final de détections.
Entrée : Lire l’entier \(N\) (nombre de boîtes candidates) et le seuil réel \(\tau\) (seuil d’IoU pour la suppression), sur la même ligne.
Boîtes : Lire \(N\) lignes, chacune avec cinq valeurs réelles :
x1 y1 x2 y2 score
où \((x_1,y_1)\) représente le coin supérieur gauche, \((x_2,y_2)\) le coin inférieur droit et score le score de confiance.
Intersection sur Union : Pour deux boîtes \(A\) et \(B\),
\[ IoU(A,B)= \frac{\operatorname{Aire}(A\cap B)} {\operatorname{Aire}(A\cup B)}. \]
L’aire d’intersection doit être calculée à partir du chevauchement des intervalles en \(x\) et en \(y\). S’il n’y a pas de chevauchement, l’aire d’intersection est nulle.
Algorithme glouton de NMS :
Trier les boîtes par score décroissant. En cas d’égalité, conserver l’ordre original de lecture.
Sélectionner la boîte avec le score le plus élevé parmi les boîtes restantes et l’ajouter à l’ensemble de sortie.
Calculer l’IoU entre la boîte sélectionnée et toutes les boîtes encore restantes. Supprimer les boîtes pour lesquelles
\[ \text{IoU} > \tau. \]
Sortie : Pour chaque boîte conservée, dans l’ordre où elle a été sélectionnée, imprimer son indice original (position de lecture, commençant à \(0\)) et son score, formaté avec 4 décimales. À la fin, imprimer :
Total conservées : X
score égaux, l’ordre original de lecture doit être préservé.| Élément | Rôle dans le post-traitement de détection |
|---|---|
| IoU | Quantifie le chevauchement spatial entre deux boîtes ; \(\text{IoU}=1\) pour des boîtes identiques et \(\text{IoU}=0\) pour des boîtes sans chevauchement |
| Tri par confiance | Fait en sorte que la boîte avec le plus grand score soit analysée en premier |
| Seuil \(\tau\) | Définit la quantité de chevauchement nécessaire pour qu’une boîte soit considérée comme redondante |
| Suppression | Supprime les boîtes qui présentent un grand chevauchement avec une boîte déjà sélectionnée |
| Boîtes distantes | Ont une IoU proche de zéro et, en général, ne sont pas supprimées par cette règle |
morph.py qui peuvent aidermm.IoU(boxA, boxB) — calcule la métrique d’IoU, mais attend les boîtes au format \((x,y,w,h)\), c’est-à-dire coin supérieur gauche, largeur et hauteur. L’entrée de cet exercice utilise le format \((x_1,y_1,x_2,y_2)\). La conversion est directe :
\[ w=x_2-x_1,\qquad h=y_2-y_1. \]
L’utilisation de cette fonction est facultative. L’objectif principal de l’exercice est d’implémenter correctement le processus de sélection et de suppression de la NMS.
Entrée :
Sortie :
indice score.Total conservées : X.%%writefile EP09_04.py
# Code PythonOverwriting EP09_04.pyTestSuite("EP09_04.py").run()✔️ EP09_04.cases existe déjà dans casos/
📋 3 cas chargé(s) depuis casos/EP09_04.cases
🔍 Test de Python : EP09_04.py
⚠️ EP09_04.py : fichier vide (moins de 3 lignes). Tests ignorés.