Vision par ordinateur / Caplogy Innovation
Détection de personnes en images fisheye zénithales
Un pipeline à six vues projetées pour détecter des personnes dans des images zénithales fortement déformées.
- Mon rôle
- Projet de fin d’études · Vision par ordinateur
- Période
- Fév. — Août 2026
- mAP@50 · Mode B
- 78,6 %
- Rappel · Mode B
- 87,0 %
- Images/s · Mode B
- 46,7
Validation rapportée : Mode B (Gradient Boosting), NVIDIA RTX 5060 8 Go, FP32. Jeu d’évaluation : 1 568 composites (15 %). Source : rapport de PFE, partie III, tableaux 1.1–1.2. Ces résultats n’ont pas été reproduits indépendamment ici.
Le système en pratique
De la géométrie à la détection
Vue d’ensemble fondée sur le rapport et le pipeline public.
- 01
Image fisheye
Vue zénithale
- 02
Projection gnomonique
6 vues → composite 2 × 3
- 03
YOLO26x
Une passe réseau
- 04
Rétroprojection
Retour aux coordonnées fisheye
Mode A
Règles géométriques · Optuna
Mode B
Filtrage appris · Gradient Boosting
| Configuration | mAP@50 | Rappel | Images/s |
|---|---|---|---|
| A · Optuna | 75,4 % | 80,2 % | 54,9 |
| B · Gradient Boosting | 78,6 % | 87,0 % | 46,7 |
Source : rapport de PFE, partie III, tableau 1.2 (p. 60). RTX 5060 8 Go, FP32 ; jeu de validation interne. Les deux lignes correspondent à des configurations distinctes.
Voir un diagnostic réel du prototype

01 / Le contexte
Le problème étudié
Les images fisheye zénithales demandent un pipeline de détection adapté à leur forte distorsion géométrique. Ce PFE explore la projection gnomonique et le post-traitement pour la détection mono-classe de personnes.
02 / Ma contribution
Mon travail
Conception du pipeline de projection et de détection, entraînement des modèles et évaluation des approches de post-traitement géométriques et supervisées.
Le défi
Détecter les personnes sur l’ensemble de l’image tout en traitant les doublons créés par les différentes vues projetées.
03 / La démarche
Le fonctionnement du système
- Projeter chaque image fisheye en six vues assemblées dans une grille 2 × 3.
- Effectuer la détection mono-classe avec YOLO26x.
- Appliquer un post-traitement NMS-Free par règles géométriques ou apprentissage supervisé, avec Gradient Boosting et optimisation Optuna.
- Exploiter 125 430 annotations issues de quatre corpus publics, puis évaluer la détection et la cadence sur GPU.
04 / Les résultats
Les réalisations
- Comparaison d’un mode géométrique (75,4 % mAP@50, 54,9 images/s) et d’un mode appris (78,6 % mAP@50, 46,7 images/s) dans le protocole du rapport.
- Préparation de 10 450 composites et de 125 430 annotations issus de HABBOF, CEPDOF, PIROPO et WEPDTOF.
- Intégration de la projection, de la détection en une passe, de la rétroprojection et du filtrage des doublons.