Recherche sur l’algorithme de détection des équipements de protection individuelle des lignes de transmission basé sur une version améliorée de YOLOv11

Résumé

L’objectif de ce protocole est de fournir un guide étape par étape pour développer un modèle amélioré basé sur YOLOv11n pour la détection des équipements de protection individuelle (PPE). Il détaille des modifications architecturales et d’entraînement qui aboutissent à un détecteur léger en temps réel, avec une précision de pointe de 90,1 % de mAP et une interprétabilité intrinsèque.

Résumé

Dans l’inspection intelligente des lignes de transmission, les dispositifs de calcul en périphérie font face au défi critique d’équilibrer la performance en temps réel avec la précision de la détection pour la reconnaissance des équipements de protection individuelle dans des scénarios opérationnels complexes. Cette étude propose WTLS-YOLOv11n, un algorithme de détection léger et intrinsèquement interprétable. La méthodologie intègre trois innovations synergiques dans l’architecture YOLOv11n. Un module C3K2-WTConv utilisant une transformation en ondelettes discrète décompose les caractéristiques en composants de fréquence physiquement significatifs, permettant une extraction robuste de caractéristiques multi-échelle avec une interprétabilité intrinsèque. Une tête de détection composite partagée légère permet d’obtenir une réduction substantielle des paramètres grâce au partage stratégique du poids tout en préservant les capacités de fusion multi-échelles. La fonction de perte MPDIoU améliore la précision de localisation pour des cibles petites et de formes irrégulières. La validation expérimentale démontre que le modèle proposé atteint une précision de détection supérieure avec des paramètres et une complexité computationnelle significativement réduits par rapport à la base de base, tout en maintenant des performances d’inférence en temps réel sur les plateformes matérielles en périphérie. L’analyse quantitative de l’interprétabilité révèle que les décisions de détection sont principalement guidées par des caractéristiques structurelles basses fréquences plutôt que par des détails texturaux à haute fréquence, fournissant une compréhension transparente du processus de raisonnement du modèle. Des expériences comparatives avec des modèles de détection traditionnels valident le compromis supérieur entre précision et efficacité de l’approche proposée. Ce travail établit une solution transparente, efficace et fiable pour la supervision automatisée de la sécurité dans les opérations électriques, avec une application plus large aux tâches de détection critiques pour la sécurité nécessitant un déploiement en périphérie et une prise de décision interprétable.

Introduction

L’apprentissage profond a transformé les protocoles de sécurité industrielle et introduit de nouvelles approches de la gestion des risques au travail. Cette transformation est particulièrement visible dans des secteurs à haut risque tels que l’ingénierie des systèmes électriques. Les systèmes de supervision intelligents basés sur la vision exploitent désormais l’architecture YOLO (You Only Look Once⁾¹ pour permettre la détection automatisée des équipements de protection individuelle (EPI^)2,3 en temps réel. Ces systèmes sont devenus une technologie essentielle pour la surveillance de la sécurité au travail, offrant des améliorations significatives en matière de précision de détection et de rapidité de réponse par rapport aux méthodes traditionnelles.

Ces systèmes surveillent en permanence la conformité aux normes de sécurité, réduisant les erreurs humaines et améliorant la surveillance sur les sites d’exploitation électrique complexes. Pourtant, les réseaux neuronaux profonds sous-jacents à ces systèmes représentent un défi important : leurs processus décisionnels restent opaques. Ce manque d’interprétabilité représente le principal obstacle à une adoption plus large par l’industrie, en particulier dans les applications critiques pour la sécurité où comprendre le raisonnement système est essentiel pour instaurer la confiance et garantir la responsabilité.

Lorsqu’un modèle génère un jugement erroné, manquant un travailleur non conforme ou déclenchant des arrêts opérationnels inutiles, le processus de décision opaque ne fournit aucune information exploitable aux responsables de la sécurité. Sans la capacité de diagnostiquer les erreurs, de comprendre le raisonnement du système ou de vérifier les décisions, ces systèmes ne peuvent pas répondre aux normes de fiabilité requises dans des environnements où la sécurité humaine est en jeu. Cet écart a alimenté la demande croissante pour des approches d’intelligence artificielle explicable (XAI^)4,5,6 qui offrent à la fois précision et transparence. L’objectif est de développer des systèmes que le personnel de sécurité peut comprendre, valider et en quoi il ait confiance dans des contextes opérationnels critiques.

La transparence reste essentielle, mais elle doit s’appuyer sur des modèles qui fonctionnent de manière fiable dans des conditions opérationnelles difficiles. Les sites d’exploitation de l’alimentation électrique présentent des exigences techniques distinctes qui nécessitent des capacités de détection robustes. Ces environnements présentent des variations extrêmes d’illumination, allant de la lumière intense du jour à l’obscurité totale. Des machines complexes obstruent fréquemment le champ visuel, créant des défis d’occlusion que les modèles de détection standards peinent à résoudre. Les conditions météorologiques ajoutent une variabilité supplémentaire, affectant la visibilité et la qualité d’image selon les différents scénarios opérationnels. Relever ces défis nécessite des modèles qui maintiennent des performances constantes malgré une telle complexité environnementale.

Les chercheurs ont adopté plusieurs approches pour optimiser les performances de YOLO pour les applications de sites de puissance. Les modifications architecturales représentent une orientation de recherche importante. Plusieurs études ont amélioré le réseau YOLOv5⁷ en incorporant des têtes de détection supplémentaires dans la structure du cou. Cette modification répond à un défi persistant dans la détection des EPI : la difficulté d’identifier de petits objets à distance ou dans des champs visuels encombrés. Les couches de détection supplémentaires permettent au modèle de capturer des détails spatiaux plus fins que les architectures standard peuvent négliger.

Une seconde orientation majeure de recherche porte sur l’optimisation des modèles pour les environnements de déploiement. Les sites de fonctionnement de l’alimentation nécessitent souvent que des systèmes de détection fonctionnent sur des dispositifs en périphérie disposant de ressources de calcul limitées. Cette contrainte a motivé les efforts de compression des modèles et d’amélioration de l’efficacité. Les chercheurs ont développé des techniques pour réduire la taille du modèle et le temps d’inférence tout en préservant la précision de la détection, permettant des performances en temps réel sur du matériel aux capacités de traitement^{limitées 8,9}.

Des efforts récents d’optimisation ont introduit plusieurs techniques prometteuses pour réduire la complexité des modèles. Les chercheurs ont intégré des réseaux dorsales efficaces tels que^{MobileNetv3 10} dans des architectures comme YOLO-M¹¹. D’autres ont appliqué la taille modèle et la distillation des connaissances pour développer des variantes compactes, notamment Light-YOLOv4¹². Ces approches ont démontré des améliorations mesurables en efficacité computationnelle et en faisabilité de déploiement.

Cependant, ces méthodes d’optimisation font face à une contrainte fondamentale inhérente aux architectures convolutionnelles conventionnelles. Les opérations de convolution standard nécessitent des couches réseau de plus en plus profondes ou des noyaux plus^{grands de taille 13} pour étendre le champ réceptif, ce qui est essentiel pour capturer des informations contextuelles à travers l’image. Cette exigence architecturale crée un compromis inévitable. À mesure que les modèles gagnent en capacité à extraire des caractéristiques plus riches et à comprendre un contexte spatial plus large, leur nombre de paramètres et leurs besoins computationnels augmentent considérablement. Les modèles résultants dépassent souvent les capacités de traitement des dispositifs de périphérie, limitant leur déploiement pratique dans des environnements opérationnels en temps réel.

Cette tension entre la capacité d’extraction de caractéristiques et l’efficacité computationnelle représente un défi méthodologique important que les approches actuelles n’ont pas encore entièrement résolu. Le domaine nécessite une approche fondamentalement différente pour l’extraction des caractéristiques, capable de capturer des caractéristiques hiérarchiques multi-échelles sans l’augmentation proportionnelle des paramètres imposée par les méthodes conventionnelles. Une telle approche permettrait aux modèles de maintenir à la fois la performance de détection requise pour des applications critiques pour la sécurité et l’efficacité nécessaire au déploiement en périphérie. Combler cette lacune représente une priorité de recherche cruciale pour faire progresser les systèmes pratiques de détection des EPI dans les environnements de fonctionnement électrique.

Les méthodes actuelles d’explicabilité pour la détection d’objets utilisent principalement des approches d’analyse post-hoc¹⁴ telles que Grad-CAM. Bien que ces méthodes fournissent des visualisations utiles, elles fonctionnent indépendamment du processus d’apprentissage du modèle. Une approche alternative consiste à concevoir des composants architecturaux offrant de la transparence grâce à leurs mécanismes opérationnels. Notre extraction de caractéristiques basée sur des ondelettes offre un moyen simple de comprendre quelles composantes fréquentielles contribuent à la détection, bien que des recherches supplémentaires soient nécessaires pour quantifier pleinement cette interprétabilité.

Cette recherche aborde trois défis interconnectés dans les systèmes de détection des EPI : la précision de la détection, l’efficacité de calcul et l’interprétabilité des modèles. Le travail modifie l’architecture YOLOv11n¹⁵ à travers trois modifications ciblées de conception.

La première modification introduit le module C3K2-WTConv, qui remplace la convolution standard par un procédé d’extraction de caractéristiques inspiré des ondelettes. Cette approche sépare l’information visuelle en composantes fréquentielles : les signaux basses fréquences contiennent des informations sur la forme et les contours, tandis que les signaux haute fréquence encodent les détails de texture et d’arête. Cette séparation améliore la qualité des caractéristiques et rend le processus d’extraction plus transparent que les opérations de convolution conventionnelles.

La seconde modification met en œuvre une tête de détection composite légère partagée (LSCD) pour réduire les besoins de calcul. Ce composant utilise le partage de paramètres à travers les échelles de détection, réduisant la taille du modèle tout en maintenant des capacités de détection multi-échelles. Cette conception vise les contraintes de ressources typiques des dispositifs de périphérie utilisés dans les sites d’exploitation électrique.

La troisième modification remplace la fonction de perte standard par la perte^{MPDIoU 16} afin d’améliorer la précision de la boîte englobante. Ce changement répond aux défis de localisation liés aux petits articles d’EPI de formes variables en offrant une meilleure stabilité du gradient pendant l’entraînement.

Les tests montrent que le modèle modifié atteint une Précision moyenne moyenne supérieure de 3,8 % à celle de la référence tout en utilisant 11,5 % de paramètres en moins. Ces résultats indiquent que l’approche répond aux exigences pratiques pour le déploiement en périphérie tout en améliorant les performances de détection. Le travail fournit une solution fonctionnelle pour la surveillance de la sécurité dans les opérations électriques, bien que des validations supplémentaires dans diverses conditions opérationnelles restent nécessaires pour évaluer pleinement la fiabilité du système.

Protocole

Les données d’image pour cette étude ont été collectées dans des environnements de fonctionnement électrique avec les autorisations nécessaires. Toutes les images ont été anonymisées sans qu’aucune information personnelle identifiable n’ait été conservée. Cette étude se concentre sur la détection des équipements de protection individuelle plutôt que sur l’identification des individus. Comme la recherche ne concerne que le développement d’algorithmes à partir de données anonymisées, aucune approbation éthique n’était requise.

Le protocole suivant détaille une procédure complète pour concevoir, entraîner et évaluer un modèle de détection d’objets léger, performant et intrinsèquement interprétable, nommé WTLS-YOLOv11n, pour la détection des équipements de protection individuelle (EPI). Le logiciel utilisé dans cette étude est listé dans le tableau des matériaux.

Cadre architectural global

Le modèle proposé WTLS-YOLOv11n est construit sur la base YOLOv11n. La méthodologie de base consiste à remplacer ou améliorer systématiquement les modules clés de la colonne vertébrale et de la tête afin d’améliorer la performance, l’efficacité et l’interprétabilité.

Le modèle proposé WTLS-YOLOv11n est construit sur la base YOLOv11n. La méthodologie de base consiste à remplacer ou améliorer systématiquement les modules clés de la colonne vertébrale et de la tête afin d’améliorer la performance, l’efficacité et l’interprétabilité. Le paradigme architectural global de YOLOv11n, qui consiste en une colonne vertébrale, un cou et une tête, a été conservé dans le modèle proposé. Dans la colonne vertébrale, certains modules C3K2 ont été remplacés par les modules C3K2-WTConv proposés pour améliorer l’extraction de caractéristiques. Dans la tête, la tête de détection originale a été remplacée par la tête de détection composite légère partagée (LSCD) proposée pour réduire la complexité du modèle. L’architecture complète du modèle proposé WTLS-YOLOv11n, en contraste avec la ligne de base, est illustrée à la Figure 1.

Conception du module C3K2-WTConv

Ce module est conçu pour remplacer les modules convolutionnels standards de la dorsale YOLOv11n. Sa conception repose sur deux objectifs principaux : (a) étendre efficacement le champ réceptif du modèle pour capturer des informations contextuelles à plusieurs échelles sans augmenter significativement le nombre de paramètres ou la complexité de calcul, et (b) apprendre des représentations des caractéristiques plus robustes et intrinsèquement interprétables en décomposant explicitement les cartes de caractéristiques dans le domaine fréquentiel.

Conception de la couche Core WTConv

La couche fondamentale WTConv (Convolution par transformée d’ondelettes) est conçue pour implémenter la transformée en ondelettes de Haar discrète 2D. Ce processus est réalisé à l’aide d’un ensemble de noyaux d’ondelettes spécifiques :

Noyaux d’ondelettes : La transformation est réalisée via quatre noyaux de convolution en profondeur fixes et non entraînables (F_LL, F_LH, F_HL, F_HH), qui correspondent aux fonctions de base de l’ondelette de Haar. Ces noyaux sont responsables de la décomposition de la carte des caractéristiques d’entrée en ses composantes basse et haute fréquence.

Décomposition et échantillonnage descendant : Ces noyaux sont appliqués à la carte de caractéristiques d’entrée (X) avec une étape de 2. Cette opération unique effectue efficacement à la fois la décomposition des caractéristiques et l’échantillonnage spatial vers le bas, séparant l’entrée en quatre sous-bandes distinctes.

Interprétation physique des composants de sortie

Les quatre sous-bandes caractéristiques générées par la décomposition en ondelettes possèdent une interprétation physique claire. Comme illustré à la Figure 2, la couche WTConv décompose récursivement l’entrée en les composants suivants :

Composante basse fréquence (LL) : Cette composante préserve la structure globale, les contours et d’autres informations globales de la cible à moitié de la résolution spatiale. Il sert de base au modèle pour comprendre la « forme » de la cible.

Composants à haute fréquence (LH, HL, HH) : Ces trois composants capturent des détails à grain fin tels que les arêtes et textures horizontales, verticales et diagonales, respectivement. Ils permettent au modèle de se concentrer sur les « détails » de la cible.

Intégration dans la structure du module C3K2

La couche WTConv conçue est intégrée de manière transparente à la structure de goulot d’étranglement C3K2 de YOLOv11n.

Stratégie de remplacement : Dans le module C3K2 d’origine, la couche convolutionnelle standard 3x3 est remplacée par la couche WTConv. Cette approche préserve le mécanisme de réutilisation efficace des caractéristiques de l’architecture C3K2 tout en introduisant les avantages de la transformée en ondelette, aboutissant au module final C3K2-WTConv (structure détaillée illustrée à la Figure 3).

Expansion en cascade du champ réceptif : Le processus WTConv peut être appliqué récursivement à la sortie basse fréquence (LL) de l’étage précédent. Ce mécanisme de décomposition en cascade permet au modèle d’analyser les caractéristiques sur un champ réceptif en augmentation exponentielle avec une surcharge computationnelle minimale, créant ainsi une voie de décomposition fréquentielle efficace à plusieurs échelles.

Conception légère à tête de détection composite partagée (LSCD)

Ce module est conçu pour remplacer la tête de détection originale YOLOv11n, avec pour objectif principal de réduire drastiquement la complexité du modèle et la surcharge de calcul afin d’un déploiement efficace sur les dispositifs de périphérie à ressources limitées. La conception traite de la redondance significative des paramètres que l’on trouve dans les têtes de détection standard à plusieurs échelles (structure détaillée illustrée à la Figure 4.

Justification et objectifs de conception

Les branches de prédiction indépendantes pour chaque échelle de caractéristiques (P3-P5) dans la tête YOLOv11 d’origine conduisent à un nombre élevé de paramètres. Le LSCD introduit une stratégie hybride de partage de paramètres afin d’atteindre une efficacité supérieure des paramètres tout en préservant des capacités critiques de fusion de caractéristiques multi-échelle.

Partage des paramètres et mécanisme de fusion des caractéristiques

Le cœur du LSCD réside dans son pipeline de traitement des fonctionnalités en deux étapes :

Prétraitement spécifique à l’échelle : Pour chaque carte de caractéristiques d’entrée du manche (P3, P4, P5), une convolution 1x1 non partagée suivie d’une couche de normalisation de groupe (GN) est appliquée. Cette première étape permet au réseau d’apprendre des transformations de canal spécifiques à l’échelle, garantissant que les caractéristiques uniques de chaque niveau de caractéristique soient préservées avant la fusion.

Fusion efficace à l’échelle : Après le prétraitement, une série de modules convolution-GN partagés 3x3 est utilisée pour effectuer la fusion des caractéristiques principales à différentes échelles. En partageant les poids, ces modules apprennent un schéma généralisé de fusion de caractéristiques, qui constitue la principale source de réduction des paramètres. Cette conception oblige le modèle à apprendre des représentations de fusion plus robustes et universelles.

Adaptation dynamique à l’échelle et optimisation des branches

Pour compenser toute perte potentielle d’information due au partage du poids et affiner la précision des prédictions, deux mécanismes supplémentaires sont introduits :

Couche d’échelle apprenable : Une couche d’échelle apprenable est ajoutée pour chaque échelle de détection. Cette couche introduit un scalaire apprenable par échelle qui réévalue dynamiquement les caractéristiques fusionnées, permettant au modèle d’accentuer ou de supprimer adaptativement les caractéristiques en fonction des tailles d’objets cibles prévalentes à cette échelle.

Branche de classification optimisée : La branche de classification est améliorée en utilisant la fonction d’activation Softmax pour la distribution de probabilité et en incorporant une couche de normalisation de groupe (GN). Cela stabilise l’entraînement de la tâche de classification et améliore la robustesse des prédictions de confiance, une technique prouvée efficace dans des architectures comme le FCOS.

Conception améliorée de la fonction de perte (MPDIoU)

La fonction de perte est réingénierée pour répondre spécifiquement aux défis d’une régression précise des boîtes englobantes pour les cibles petites, encombrées et de formes irrégulières, courantes dans les scénarios de détection d’EPI.

Motivation et limites de la perte traditionnelle de l’IoU

Les pertes basées sur l’IoU standard présentent plusieurs inconvénients critiques dans ce contexte :

Gradients nuls : Lorsque les boîtes prédite et la vérité fondamentale ne se chevauchent pas, l’IoU est nulle et le gradient de perte s’annule, bloquant le processus d’apprentissage.

Insensibilité à l’alignement : plusieurs configurations de boîtes englobantes peuvent donner le même score d’IoU, rendant la fonction de perte insensible à la qualité de l’alignement (par exemple, écart du point central vs. décalage de forme).

Faibles performances sur de petits objets : Pour de petites cibles, même de légères déviations de pixels peuvent être significatives, mais elles entraînent souvent des changements négligeables de la valeur IoU, entraînant une localisation imprécise.

Adoption de la perte IoU par distance minimale en points (MPDIoU)

Pour surmonter les limitations mentionnées précédemment, le protocole remplace la perte standard par la perte Minimum Point Distance IoU (MPDIoU). MPDIoU renforce la métrique standard de l’IoU en incorporant une clause de pénalité qui pénalise directement la distance entre les cases prédite et la case de la vérité du terrain, même lorsqu’elles ne se chevauchent pas.

Mécanisme de base : Le terme de pénalité est dérivé de la distance euclidienne entre les points d’angle correspondants de la case prédite (pred) et la case de la réalité de terrain (gt). Plus précisément, les distances carrées pour les coins en haut à gauche ) et les coins en bas à droite () sont calculées :

(1)
(2)

Pour garantir que la pénalité soit invariante à l’échelle, cette distance est normalisée par les dimensions de la plus petite boîte qui entoure à la fois la case prédite et la case de la vérité de terrain. Soient w et h respectivement la largeur et la hauteur de cette boîte entourante. La métrique MPDIoU est alors formulée comme suit :

(3)

Enfin, la fonction de perte MPDIoU (L_MPDIoU) est définie comme suit :

L_MPDIoU = 1 - MPDIoU (4)

Avantages clés : Ce terme de pénalité géométrique répond directement aux problèmes mentionnés en : i) en fournissant un gradient significatif, non nul, même lorsque les boîtes ne se chevauchent pas, évitant ainsi l’annulation du gradient et assurant une optimisation continue du modèle, ii) offrant une sensibilité accrue aux écarts de position, de taille et de rapport d’aspect, ce qui est essentiel pour la localisation précise des petits et divers éléments de l’EPI, iii) Fournir des signaux en gradient plus stables et constants tout au long de l’entraînement, ce qui favorise une convergence plus rapide et aboutit à une précision de localisation supérieure.

Ensembles de données et configuration expérimentale

Jeu de données de détection d’EPI auto-construit

Nous avons établi un jeu de données de détection d’EPI contenant 5 000 images haute résolution issues des opérations de lignes de transmission électrique, annotées avec LabelImg et converties au format YOLO TXT. Le jeu de données comprend cinq catégories : casques de sécurité (1 245 cas), harnais de sécurité (1 128 cas), brassards (892 cas), statut de travail en hauteur (1 056 cas) et statut au niveau du sol (1 124 cas). Les données sont divisées en ensembles d’entraînement (4 000 images), de validation (500 images) et de test (500 images). Les images présentent des conditions difficiles, notamment un éclairage extrême, une forte obscurité (23 % avec une couverture >50 %), et des arrière-plans industriels complexes. Les techniques d’augmentation standard (retournements aléatoires, rotation, oscillation de couleur, mosaïque) étaient appliquées pendant l’entraînement.

Jeu de données PASCAL VOC pour les tests de généralisation

Pour évaluer la capacité de généralisation du modèle au-delà des scénarios de fonctionnement de puissance, nous avons utilisé le jeu de données PASCAL VOC, qui combine VOC2007 et VOC2012 pour un total de 21 503 images. Conformément à la pratique standard, nous avons utilisé 11 540 images de VOC2012 pour la formation et la validation, et 9 963 images de VOC2007 pour les tests. Le jeu de données VOC contient 20 catégories d’objets dans divers scénarios réels. Bien que les objets spécifiques diffèrent de nos catégories d’EPP, les défis de détection (variation d’échelle, occlusion, arrière-plans complexes) sont similaires, ce qui le rend adapté à l’évaluation des capacités générales de détection et de la transférabilité du modèle.

Détails de la mise en œuvre

Ce protocole décrit la procédure d’entraînement et d’évaluation du modèle. On suppose que l’utilisateur a accès au code source, à un environnement Python adapté et aux ensembles de données préparés.

Préparation des systèmes et de l’environnement

Un poste de travail équipé d’un GPU NVIDIA possédant au moins 24 Go de VRAM était utilisé pour garantir une mémoire suffisante pour l’entraînement (par exemple, NVIDIA GeForce RTX 4090). Le framework d’apprentissage profond PyTorch (version 1.12.0 ou supérieure) ainsi que sa boîte à outils CUDA correspondante étaient installés sur la station de travail. L’installation a été vérifiée en ouvrant un terminal et en exécutant la commande « python -c 'torch d’importation ; print(torch.cuda.is_available())' », qui devait rendre « True ». Les paquets Python requis étaient installés en naviguant vers le répertoire racine du projet et en exécutant la commande « pip install -r requirements.txt ». Cette commande installait automatiquement des dépendances telles que numpy, opencv-python, pyyaml, tensorboard et torchvision. La préparation du jeu de données a été vérifiée pour s’assurer que les images d’entraînement étaient situées dans /data/train/images/ et que les fichiers d’annotation étaient dans /data/train/labels/ au format YOLO (hauteur de largeur de classe x_center y_center). Le même processus de vérification a été appliqué aux jeux de données de validation (/data/val/) et de test (/data/test/).

Configuration d’entraînement

Le fichier de configuration config/wtls_yolov11n.yaml était ouvert à l’aide d’un éditeur de texte pour configurer les paramètres d’entraînement. Les chemins de données étaient configurés en localisant le paramètre « path » et en le définissant sur le répertoire racine du jeu de données, tandis que les paramètres « train », « val » et « test » étaient vérifiés pour pointer vers les bons sous-répertoires. Le paramètre « nc » (nombre de classes) a été confirmé correspondant au jeu de données, qui a été fixé à 5 pour la détection des EPI. Les hyperparamètres d’entraînement étaient configurés avec le nombre d’époques fixé à 300 pour l’entraînement complet et la taille du lot fixée à 16, avec l’accord que cette valeur pouvait être ajustée en fonction de la disponibilité de la mémoire GPU et réduite à 8 en cas d’erreur de non-mémoire. La taille de l’image d’entrée (imgsz) a été fixée à 640, et l’optimiseur a été confirmé comme étant SGD avec un taux d’apprentissage initial (lr0) de 0,01. La baisse de poids a été vérifiée à 0,0005 et la quantité de mouvement fixée à 0,937. Les techniques d’augmentation de données étaient activées avec les paramètres configurés par défaut, qui incluaient l’augmentation mosaïque (mosaïque : 1,0), le retournement horizontal aléatoire avec 50 % de probabilité, et le jitter de couleur avec les paramètres hsv_h : 0,015, hsv_s : 0,7 et hsv_v : 0,4. Les paramètres d’utilisation du matériel étaient configurés avec le nombre de travailleurs fixé à 8 pour les threads CPU utilisés dans le chargement des données, et le paramètre du périphérique réglé à 0 pour utiliser le premier GPU, avec la possibilité de le régler à « 0,1 » pour l’entraînement multi-GPU si nécessaire.

Exécution de l’entraînement du modèle

L’entraînement du modèle était initialisé depuis la ligne de commande en exécutant la commande « python train.py --cfg config/wtls_yolov11n.yaml --weights ''--data data.ymaml », où le paramètre --cfg spécifiait le fichier de configuration du modèle, le paramètre --weights était défini sur une chaîne vide pour s’entraîner de zéro (alternativement, yolov11n.pt pouvait être utilisé pour l’apprentissage par transfert), et le paramètre --data spécifiait la configuration du jeu de données. Pendant l’entraînement, des indicateurs de convergence ont été observés pour suivre la performance du modèle. Au cours des 50 premières époques, une diminution rapide des pertes a été observée, box_loss passant d’environ 1,5 à 0,8. Entre les époques 50 et 150, une amélioration régulière a été observée, box_loss passant d’environ 0,8 à 0,5. Durant les époques 150 à 300, la phase d’ajustement fin a eu lieu avec box_loss stabilisant autour de 0,4 à 0,5. La métrique de validation mAP@0,5 devait atteindre plus de 85 % d’ici l’époque 200. La sauvegarde des points de contrôle a été vérifiée pour garantir que la formation sauvegarde automatiquement les points de contrôle toutes les 10 époques dans les répertoires courses/entraînement/expérience/poids/. La présence de last.pt (point de contrôle le plus récent) et best.pt (point de contrôle mAP le plus élevé) a été confirmée, chaque fichier de point de contrôle étant attendu d’environ 5 à 6 Mo. La progression de l’entraînement pouvait éventuellement être suivie via TensorBoard en ouvrant un nouveau terminal et en exécutant la commande « tensorboard --logdir runs/train », puis en naviguant dans un navigateur vers http://localhost:6006 pour visualiser en temps réel les courbes de perte, le calendrier du taux d’apprentissage et les tendances des mAP. Les problèmes courants ont été traités par des procédures de dépannage, où les erreurs hors mémoire des CUDA ont été résolues en réduisant la taille du lot à 8 ou 4, les valeurs de perte de NaN en réduisant le taux d’apprentissage à 0,005, et les plateaux mAP inférieurs à 80 % ont été étudiés en vérifiant la correction des annotations et en augmentant les époques d’entraînement à 400.

Protocole d’évaluation du modèle

Une procédure d’évaluation multifacette a été réalisée pour valider de manière exhaustive l’efficacité, l’efficience et l’interprétabilité du modèle proposé.

Évaluation quantitative de la performance

Indicateurs de performance

Évaluer la précision du modèle en utilisant la Précision Moyenne (mAP) moyenne (mAP) à un seuil IoU de 0,5 (mAP@0,5), la Précision et le Rappel. Évaluer l’efficacité du modèle en mesurant le nombre total de paramètres (M) et d’opérations en virgule flottante (FLOP, G). Mesurer la vitesse d’inférence en images par seconde (FPS) sur un GPU serveur et sur un périphérique en périphérie. Pour les tests de périphériques en périphérie, réglez le mode alimentation à performance maximale et réchauffez le modèle avec 100 inférences factices avant d’enregistrer des images de FPS au-dessus de 500 images de test.

Comparaison avec des modèles de pointe : Comparez le modèle proposé WTLS-YOLOv11n avec sa référence directe (YOLOv11n) et une large gamme de détecteurs, y compris des modèles YOLO basés sur CNN grand public (YOLOv5n, YOLOv8n, YOLOv9s), un détecteur à deux étages (Faster R-CNN) et un détecteur à transformateur (RT-DETR). Entraînez tous les modèles pour 300 époques en utilisant leurs hyperparamètres par défaut recommandés. Enregistrez toutes les métriques définies dans la section des indicateurs de performance pour chaque modèle, à la fois sur le jeu de données PPE auto-construit et sur le jeu de données PASCAL VOC. Pour l’évaluation des COV, entraînez-vous sur les ensembles combinés VOC2012 trainval et VOC2007 trainval, puis testez sur VOC2007 ensemble de test en suivant le protocole standard.

Études d’ablation : Réaliser une étude systématique d’ablation pour disséquer les contributions individuelles des composants proposés.

Analyse de l’efficacité des composants : À partir du modèle de base YOLOv11n, intégrez progressivement le module C3K2-WTConv, la tête LSCD et la perte MPDIoU. Pour chaque configuration, il faut réentraîner le modèle pour 300 époques en utilisant des hyperparamètres identiques (taille de lot 16, taux d’apprentissage 0,01, optimiseur SGD). Notez les changements de mAP, de précision, de rappel, de paramètres, de FLOP et de FPS pour vérifier l’efficacité de chaque composant. Calculez les améliorations en pourcentage par rapport à la référence pour chaque indicateur.

Analyse de placement : Pour déterminer le placement optimal du module C3K2-WTConv, intégrez-le dans différentes parties de l’architecture réseau. Testez trois configurations : (i) intégration uniquement sur la colonne vertébrale, (ii) intégration uniquement sur le cou, et (iii) intégration complète à la fois dans la colonne vertébrale et au cou. Entraînez chaque configuration pendant 300 époques et comparez les scores de mAP@0,5 résultats pour identifier la stratégie d’intégration la plus efficace. Sélectionnez la configuration optimale pour toutes les expériences ultérieures.

Évaluation qualitative de la performance

Visualisation des résultats de détection : Sélectionnez 12 à 15 images représentatives de l’ensemble de test présentant des scénarios réels difficiles, incluant un fort rétroéclairage, une forte obstruction d’objets, des arrière-plans complexes et des angles de caméra non conventionnels. Pour chaque modèle de comparaison (baseline, YOLOv5n, YOLOv8n, YOLOv9s et WTLS-YOLOv11n), effectuez une inférence sur ces images en utilisant un seuil de confiance de 0,25 et un seuil d’IoU de 0,45. Générez et affichez les sorties de détection (boîtes englobantes avec étiquettes de classe et scores de confiance) sur ces images. Organisez les visualisations sous forme de grille où les lignes représentent différents scénarios et les colonnes différents modèles.

Analyse de robustesse : Comparez visuellement les résultats de détection rendus provenant de différents modèles. Évaluer la robustesse et la supériorité du modèle proposé en comptant et en marquant les cas de faux négatifs (objets manqués), de faux positifs (détections incorrectes) et de détections en double (plusieurs cases pour un seul objet avec une IoU > 0,7 entre les prédictions). Utilisez des cercles rouges pour mettre en évidence les détections problématiques dans la figure de visualisation. Calculez les taux de faux négatifs par modèle et les comptes de faux positifs sur les images de test sélectionnées. Extraire et comparer les scores moyens de confiance pour les détections véritablement positives entre modèles.

Analyse de l’interprétabilité

Pour valider l’interprétabilité inhérente au module C3K2-WTConv, une procédure de visualisation a été réalisée sur des images d’entrée sélectionnées. Le modèle entraîné WTLS-YOLOv11n a été chargé et un crochet avant a été enregistré sur le module C3K2-WTConv à la 4e couche de la colonne vertébrale. La propagation vers l’avant était effectuée sur l’image d’entrée, et le tenseur de la caractéristique de sortie était capturé. À partir du tenseur de forme capturé [lot, canaux, hauteur, largeur], les canaux correspondant aux différentes composantes de fréquence étaient séparés. Les 25 % premiers des canaux étaient désignés comme composant basse fréquence (LL) et les 75 % restants comme composantes haute fréquence (LH, HL, HH). Pour chaque type de composante de fréquence, la moyenne sur tous les canaux de cette composante a été calculée afin de créer des cartes d’activation à canal unique. La norme L2 a été appliquée sur les dimensions spatiales lorsque nécessaire pour mettre en valeur des activations fortes. Les cartes d’activation ont été normalisées à la portée [0, 1] et une carte colorimétrique (par exemple, « jet ») a été appliquée. Les cartes thermiques ont été redimensionnées pour correspondre à la résolution d’image d’entrée originale grâce à une interpolation bilinéaire. La carte thermique basse fréquence et la carte thermique haute fréquence ont été superposées à l’image originale avec une transparence de 40 % pour créer des visualisations interprétables montrant où le modèle se concentre sur les caractéristiques structurelles versus texturales.

Pour valider rigoureusement que les décisions de détection reposent sur des caractéristiques du domaine fréquentiel, une analyse quantitative a été réalisée. Un sous-ensemble de 200 à 300 images a été sélectionné à partir de l’ensemble de tests contenant des détections réussies (score de confiance supérieur à 0,5). Ce sous-ensemble a été assuré pour représenter des scénarios divers afin d’éviter le biais d’échantillonnage. Pour chaque image du sous-ensemble, une propagation vers l’avant était effectuée, et la sortie du module C3K2-WTConv à la 4e couche dorsale était extraite. Le tenseur de caractéristiques était divisé en basse fréquence (LL, premiers 25 % des canaux) et hautes fréquences (HF, 75 % restants des canaux). Pour chaque image, la force d’activation absolue moyenne a été calculée sur les dimensions spatiales (hauteur et largeur) pour les deux composantes de fréquence. La force des SL était calculée comme la moyenne de la valeur absolue des caractéristiques des LL à travers toutes les positions spatiales, et la force des HF était calculée comme la moyenne de la valeur absolue des caractéristiques HF dans toutes les positions spatiales. Ces valeurs étaient enregistrées avec le score maximal de confiance en détection pour cette image. En utilisant les données collectées (LL_strength, HF_strength, confidence_score) sur toutes les images, les coefficients de corrélation de Pearson ont été calculés. La corrélation entre la force du LL et le score de confiance a été calculée, tout comme la corrélation entre la force de l’HF et le score de confiance. Des logiciels statistiques ou la fonction scipy.stats.pearsonr de Python étaient utilisés pour obtenir à la fois les coefficients de corrélation (r) et les valeurs p. La signification statistique a été évaluée à l’aide d’un seuil de valeur p de 0,05, où une valeur p inférieure à 0,05 indiquait que la corrélation était statistiquement significative. L’ampleur des coefficients de corrélation a été comparée pour déterminer quelle composante fréquentielle avait une association plus forte avec la confiance en détection. Les indicateurs suivants ont été enregistrés dans un format structuré : coefficient de corrélation LL (rLL) et valeur p (pLL), coefficient de corrélation HF (rHF) et valeur p (pHF), forces moyennes d’activation (moyenneLL, moyenne HF) et taille de l’échantillon (nombre d’images analysées). Les résultats attendus étaient que les caractéristiques de basse fréquence montreraient une corrélation positive plus forte avec les scores de confiance (rLL supérieur à 0,60, p inférieur à 0,001) comparées aux caractéristiques de haute fréquence (rHF environ 0,40 à 0,50, p inférieur à 0,01), indiquant que les décisions de détection étaient principalement dictées par des informations structurelles capturées dans la composante LL.

Cette analyse quantitative a établi une interprétabilité au-delà des limites de la visualisation qualitative. La combinaison de l’analyse de corrélation (démontrant l’association statistique) et de la visualisation dans le domaine fréquentiel (montrant l’attention spatiale) a fourni des preuves empiriques rigoureuses que la prise de décision du modèle reposait réellement sur des caractéristiques structurelles de basse fréquence, comme prévu par la conception.

Résultats attendus : Les caractéristiques basses fréquences devraient présenter une corrélation positive plus forte avec les scores de confiance (r_LL > 0,60, p < 0,001) comparées aux caractéristiques hautes fréquences (r_HF≈ 0,40-0,50, p < 0,01), indiquant que les décisions de détection sont principalement guidées par les informations structurelles capturées dans la composante LL.

Cette analyse quantitative établit une interprétabilité au-delà de la visualisation qualitative. La combinaison de l’analyse de corrélation (démontrant l’association statistique) et de la visualisation dans le domaine fréquentiel (montrant l’attention spatiale) fournit des preuves empiriques rigoureuses que la prise de décision du modèle repose réellement sur des caractéristiques structurelles à basse fréquence telles que prévues par la conception.

Résultats

Pour évaluer la performance du modèle WTLS-YOLOv11n proposé, nous avons mené des expériences sur notre jeu de données PPE auto-construit et sur le jeu de données PASCAL VOC 2007+2012. Toutes les métriques sont rapportées sur les ensembles de tests respectifs, sauf indication contraire.

Comparaison avec des modèles de pointe

Nous avons comparé WTLS-YOLOv11n à des détecteurs d’objets grand public dans trois paradigmes architecturaux : des modèles YOL...

Discussion

Les résultats expérimentaux démontrent que WTLS-YOLOv11n atteint 90,1 % de mAP tout en réduisant les paramètres de 11,5 % par rapport à la référence de YOLOv11n. Cette amélioration de la précision et de l’efficacité provient de l’intégration synergique de trois composants : extraction de caractéristiques basée sur des ondelettes, conception légère de la tête de détection et amélioration des pertes de localisation.

L’étude d’ablation révèle que le module C3K2-W...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Boîte à outils CUDA	NVIDIA Corporation	Boîte à outils CUDA Version 11.7
Cadre d’apprentissage profond	Fondation PyTorch	PyTorch Version 1.12.0
Unité de traitement graphique	NVIDIA Corporation	GeForce RTX 4090
NumPy	Développeurs NumPy	NumPy
OpenCV	Équipe OpenCV	OpenCV-Python
Système d’exploitation	Canonical Ltd.	Ubuntu 22.04 LTS (ou spécifiez votre système d’exploitation)
Python	Fondation Python Software	Python version 3.8 ou supérieure
TensorBoard	Auteurs de TensorFlow	TensorBoard
Torchvision	Fondation PyTorch	Torchvision