Là ça ne fonctionnera pas, car l’algo prend la zone de détection du panneau, l’étends de 25% vers le bas et ensuite c’est la classification qui ne verra donc pas le M9v tout en bas de ce “kanapoutz” (ref de vieux).
Il y avait beaucoup de panneaux qui n’étaient pas classés et je ne comprenais pas trop pourquoi.
J’ai trouvé le bug qui pouvait poser problème dans les photos où plusieurs panneaux étaient détectés (cas assez courant).
Cela veut dire qu’il y a un bon paquet de panneaux en “yes” qui sont à repasser en classification !
2 Likes
pareil !
Merci ! J’ai remarqué ça aussi sans vraiment en être sûre, je m’étais noté de calculer un ratio de panneaux détectés/panneaux classifiés par photo pour objectiver mon impression qu’il y avait rarement plus de 1 panneau classifié par photo (parmi x panneaux détectés).
vivement le prochain parquet !!
edit : je m’emballe un peu, il faut qu’ils repassent à l’étape de classification d’abord
Tu vas devoir prendre plus de vacances pour avoir le temps de faire tous tes devoirs de vacances
1 Like
Finalement celui-ci a été classé B1 ! Ça me parait cohérent (panonceaux divers B1-M indiqué comme B1)
Oui, j’ai considéré que B1 est un bon fallback dans ces cas… identique à la situation précédente où il n’y avait pas distinguo.
Reclassification en cours, juillet et août sont ok, ça remonte petit à petit sur le début de l’année.
Le parquet prochain aura déjà pas mal de photos récentes retraitées.
Faut que j’en parle aux RH 
tu parles de la date d’envoi dans Panoramax, ou de la date de prise de vue ?
Je demande parceque les photos que j’envoie en ce moment et couvrant une bonne partie de la ville, ont été prises en avril.
Date de versement car l’API de floutage conserve les panneaux détectés dans des dossiers quotidiens, c’est de ça que repart la classification.
Tout 2026 a été traité, je lance 2025…
2 Likes
Et voilà après traitement du nouveau parquet, je suis passée d’environ 4 000 panneaux classifiés sur Bayonne à plus de 20 000 ! 
Merci pour la correction du bug !
Pour l’instant je ne récupère que les panneaux classifiés.
J’exclus donc dans mon traitement traffic_sign=yes et les faux positifs de détection : automated_detection=abusive
La semaine dernière, j’ai commencé plus sérieusement à taguer les faux positifs, en prenant les panneaux les moins fréquents à Bayonne (1 ou 2 occurrences détectées) qui ont de grandes chances d’être des erreurs de détection ou classification (assez souvent les 2 : il a détecté un panneau qui n’en est pas un et a réussi à le classifier !).
Ainsi de semaine en semaine j’affine ma base des panneaux.
Prochaines étapes :
-
exclure également les mauvaises classifications
automated_classification=wrongmais je suis encore frileuse. Est-ce important d’exclure un panneau détecté à tord comme B6b2 alors que c’est un B6b1 par exemple. Techniquement ce n’est pas le bon code panneau mais c’est quand même interessant pour un humain qui cherche les stationnements interdits…
=> 
-
travailler sur les panonceaux. Pour l’instant, je sépare à chaque
;dans l’annotation, je récupère donc les panonceaux en tant que panneau individuel mais évidemment ce n’est pas l’objectif à terme
Pour les erreurs de détections, une bonne partie devrait aussi disparaître lors de la classification car il y a des classes “poubelle” pour repérer ces erreurs et supprimer l’annotation quand on a un taux de confiance assez élevé.
On est passé de 10 millions de traffic_sign=yes à 6.6 millions
Reste plus qu’à inspecter les autres…
Petit update…
- 16 millions de traffic_sign détectés, annotés
- 11.8 millions avec le type de panneau (et pas “yes”)
Sur la base du dump de dimanche dernier.
2 Likes
Une présentation en lien avec les détections/classifications de panneaux au Pays-Bas.
Détection mais aussi localisation des panneaux par triangulation à partir de plusieurs photos à Amsterdam.
2 Likes