Tous les projets

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.

  1. 01

    Image fisheye

    Vue zénithale

  2. 02

    Projection gnomonique

    6 vues → composite 2 × 3

  3. 03

    YOLO26x

    Une passe réseau

  4. 04

    Rétroprojection

    Retour aux coordonnées fisheye

  • Mode A

    Règles géométriques · Optuna

  • Mode B

    Filtrage appris · Gradient Boosting

Deux compromis précision / vitesse — validation rapportée
ConfigurationmAP@50RappelImages/s
A · Optuna75,4 %80,2 %54,9
B · Gradient Boosting78,6 %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
Prototype PIROPO : image fisheye à gauche, six vues à droite ; une personne annotée au bord n’est pas détectée.
Exemple de limite du prototype : GT = 1, prédictions = 0. Cette sortie montre la projection et un faux négatif en périphérie ; elle n’illustre pas le benchmark final. Source GitHub (nouvel onglet)

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

  1. Projeter chaque image fisheye en six vues assemblées dans une grille 2 × 3.
  2. Effectuer la détection mono-classe avec YOLO26x.
  3. Appliquer un post-traitement NMS-Free par règles géométriques ou apprentissage supervisé, avec Gradient Boosting et optimisation Optuna.
  4. 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.
Projet suivant

Un workflow ML adaptatif