Dashboard

Workflow recommandé

Un modèle unique avec plusieurs labels (toutes cultures dans Paramètres).

Première culture, puis ajout d'une nouvelle

Étape A — Démarrer avec une seule culture (1 label)

  1. Dans Paramètres, ajoutez un seul label (ex. tomate_fruit) avec le bouton Ajouter.
  2. Copiez environ 100 images dans dataset/images/ et le même nombre de fichiers .txt dans dataset/labels/ (même nom de base : img_001.jpg + img_001.txt).
  3. Dans chaque .txt, la première valeur est le class_id : 0 pour la première culture (ex. 0 0.5 0.5 0.4 0.3).
  4. Passez par Contrôle, puis Lancer l'entraînement → vous obtenez v1_best.pt.

Étape B — Ajouter une autre culture (nouveau label)

  1. Ne supprimez pas les anciennes images déjà dans dataset/ : le modèle doit continuer à voir la 1re culture.
  2. Dans Paramètres, ajoutez le nouveau label à la fin (les anciens restent verrouillés après entraînement).
    Ex. tomate_fruit = 0, puis ajout de ble_epi = 1.
  3. Annotez manuellement environ 100 nouvelles images de la 2e culture (outil externe : LabelImg, Roboflow, CVAT…), puis copiez-les dans dataset/images/ et dataset/labels/.
  4. Dans les nouveaux fichiers .txt, utilisez le bon class_id du nouveau label (ex. 1 pour le blé si c'est le 2e de la liste). Les anciens fichiers .txt restent en 0.
  5. Contrôle dataset → corrigez les erreurs → Lancer l'entraînementv2, v3

Ensuite, les vidéos et la Validation enrichissent le dataset ; chaque bbox validée ajoute une ligne au .txt (plusieurs plantes sur une même frame = un seul fichier image, plusieurs lignes dans le label).

  1. Images annotées/app/dataset/images + /app/dataset/labels
  2. Contrôle des labelsboîtes serrées, bonne classe
  3. Entraînement seul → premier v1_best.pt
  4. Vidéos → upload puis Lancer le pipeline (analyse seule, modèle courant)
  5. Validation — aperçu recadré, frame entière dans a_valider/ + bbox SQLite
  6. Entraînement seul à nouveau → v2, v3

Lancer le pipeline analyse uniquement les vidéos (pas d'entraînement). Un modèle v1_best.pt est requis pour la détection.

Images dataset
859
Labels
859
À valider
39999
Modèles
15

Modèle actif (analyse vidéo)

Utilisé pour l'analyse vidéo. Laissez vide pour le plus récent.

Fichier courant : /app/models/v16_best.pt

Actions

Analyse les vidéos en_attente et envoie les détections vers À valider. N'entraîne pas le modèle.

Entraîner sur Colab (GPU)

Auto : tous les 7 j à 01:00 — prochain créneau : 2026-08-11 01:00 · modifier

Nouvelles données depuis le dernier entraînement. — l'auto pourra entraîner au prochain créneau.

Pipeline : Aucune vidéo en attente : uploadez une vidéo sur le Dashboard.

Une action est en cours — les boutons sont désactivés.

Matériel détecté

  • Entraînement local : cpu — GPU via Colab
  • Workers YOLO : 4 (tous les cœurs)
  • Inférence : CPU (YOLO / OpenCV)
  • Coral Edge TPU : CPU de secours

File d'attente vidéos

Les vidéos en_attente sont analysées de haut en bas via Lancer le pipeline. Utilisez les flèches pour changer l'ordre.

Envoi en cours…

0%

# Fichier Statut Ajouté le Actions
1 mais_1.mp4 termine 2026-06-07 15:59:15

Sélectionnez un modèle pour afficher les métriques.