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)
- Dans Paramètres, ajoutez un seul label
(ex.
tomate_fruit) avec le bouton Ajouter. - Copiez environ 100 images dans
dataset/images/et le même nombre de fichiers.txtdansdataset/labels/(même nom de base :img_001.jpg+img_001.txt). - Dans chaque
.txt, la première valeur est le class_id :0pour la première culture (ex.0 0.5 0.5 0.4 0.3). - Passez par Contrôle, puis
Lancer l'entraînement → vous obtenez
v1_best.pt.
Étape B — Ajouter une autre culture (nouveau label)
- Ne supprimez pas les anciennes images déjà dans
dataset/: le modèle doit continuer à voir la 1re culture. - Dans Paramètres, ajoutez le nouveau label
à la fin (les anciens restent verrouillés après entraînement).
Ex.tomate_fruit=0, puis ajout deble_epi=1. - Annotez manuellement environ 100 nouvelles images de la 2e culture
(outil externe : LabelImg, Roboflow, CVAT…), puis copiez-les dans
dataset/images/etdataset/labels/. - Dans les nouveaux fichiers
.txt, utilisez le bonclass_iddu nouveau label (ex.1pour le blé si c'est le 2e de la liste). Les anciens fichiers.txtrestent en0. - Contrôle dataset → corrigez les erreurs →
Lancer l'entraînement →
v2,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).
-
Images annotées →
/app/dataset/images+/app/dataset/labels - Contrôle des labels — boîtes serrées, bonne classe
-
Entraînement seul → premier
v1_best.ptrequis avant pipeline - Vidéos → upload puis Pipeline (avec le modèle courant)
-
Validation — aperçu recadré, frame entière dans
a_valider/+ bbox SQLite -
Entraînement seul à nouveau →
v2,v3…
Évitez Lancer le pipeline sans images de base
ni modèle v1_best.pt (bloqué automatiquement).
Modèle actif (analyse vidéo)
Importer des vidéos
Actions
Entraîner sur Colab (GPU)Auto : tous les 7 j à 01:00 — prochain créneau : 2026-06-06 01:00 · modifier
Le dataset est vide. — l'auto ne lancera pas d'entraînement inutile.
Entraînement : Ajoutez des images et labels dans dataset/images et dataset/labels.
Pipeline : Ajoutez des images et labels dans dataset/images et dataset/labels.
Pipeline occupé
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
| ID | Fichier | Statut | Ajouté le |
|---|---|---|---|
| Aucune vidéo en file | |||