Contenu <\/p>\nToggle<\/span>

Introduction<\/a><\/li>
Proc\u00e9dure<\/a>
- Pr\u00e9parer vos donn\u00e9es<\/a><\/li>
- Charger le mod\u00e8le U-Net existant<\/a><\/li>
- Pr\u00e9parer le DataLoader<\/a><\/li>
- Configurer l\u2019entra\u00eenement<\/a><\/li>
- Fine-tuning<\/a><\/li>
- Sauvegarder le mod\u00e8le affin\u00e9<\/a><\/li>
- Bonnes pratiques<\/a><\/li><\/ul><\/li>
- Script : fine-tuning d\u2019un mod\u00e8le U-Net sur les coraux mauriciens<\/a><\/li>
- Ce que fait le script<\/a><\/li>
- Organisation attendue des fichiers<\/a><\/li>
- Pour aller plus loin<\/a><\/li>
- Script : Validation et visualisation du mod\u00e8le affin\u00e9<\/a><\/li>
- Ce que fait ce script<\/a><\/li>
- Conseils d\u2019analyse<\/a><\/li>
- Script : \u00c9valuation du mod\u00e8le U-Net sur les coraux<\/a><\/li>
- Ce que l’on obtient<\/a><\/li>
- Interpr\u00e9tation pratique<\/a><\/li>
- Script : Comparaison automatique de deux mod\u00e8les U-Net<\/a>
  - R\u00e9sultat<\/a><\/li>
  - Variante bonus (radar plot)<\/a><\/li><\/ul><\/li><\/ul><\/nav><\/div>\n\n\n\n\n
    \n\n\n\n
    <\/span>Introduction<\/strong><\/span><\/h2>\n\n\n\n
    Les mod\u00e8les U-Net sont largement utilis\u00e9s pour la segmentation d\u2019images<\/strong> en raison de leur architecture efficace, capable de combiner les informations globales et locales d\u2019une image. Bien que des mod\u00e8les pr\u00e9entra\u00een\u00e9s existent pour des t\u00e2ches g\u00e9n\u00e9rales ou sp\u00e9cifiques, leur performance peut \u00eatre limit\u00e9e lorsqu\u2019on travaille avec des donn\u00e9es locales ou particuli\u00e8res, par exemple des images Sentinel-2 d\u2019une \u00eele tropicale.<\/p>\n\n\n\n
    Le fine-tuning<\/strong>, ou r\u00e9entra\u00eenement partiel, permet de sp\u00e9cialiser un mod\u00e8le pr\u00e9existant<\/strong> sur un nouveau jeu de donn\u00e9es tout en conservant les connaissances acquises lors du premier entra\u00eenement. Cette approche est particuli\u00e8rement utile lorsqu\u2019on dispose d\u2019un nombre limit\u00e9 d\u2019images annot\u00e9es.<\/p>\n\n\n\n
    Dans QGIS, il est possible de combiner la puissance des mod\u00e8les U-Net avec vos propres images gr\u00e2ce \u00e0 des scripts Python utilisant PyTorch, ce qui ouvre la voie \u00e0 une segmentation adapt\u00e9e \u00e0 vos besoins sp\u00e9cifiques. L\u2019article d\u00e9taillera les \u00e9tapes cl\u00e9s, du choix du mod\u00e8le au r\u00e9entra\u00eenement sur vos donn\u00e9es, en passant par la pr\u00e9paration des images et l\u2019optimisation des hyperparam\u00e8tres.<\/p>\n\n\n\n
    \n\n\n\n
    <\/span>Proc\u00e9dure<\/span><\/h2>\n\n\n\n
    <\/span>Pr\u00e9parer vos donn\u00e9es<\/span><\/h3>\n\n\n\n
    Pour un mod\u00e8le U-Net destin\u00e9 \u00e0 la segmentation de coraux, il vous faut :<\/p>\n\n\n\n
    \n
    Images d\u2019entr\u00e9e (Sentinel-2 ou drone)<\/strong>\n
    \n
    Les m\u00eames bandes que le mod\u00e8le original (souvent RGB ou NIR inclus).<\/li>\n\n\n\n
    Taille et r\u00e9solution coh\u00e9rentes avec le mod\u00e8le original si possible, sinon il faudra ajuster le pr\u00e9traitement.<\/li>\n<\/ul>\n<\/li>\n\n\n\n
    Masques correspondants (ground truth)<\/strong>\n
    \n
    Fichiers raster binaires ou multilabel o\u00f9 chaque pixel indique \u00ab\u202fcorail\u202f\u00bb, \u00ab\u202feau\u202f\u00bb, \u00ab\u202fautres\u202f\u00bb.<\/li>\n\n\n\n
    Ces masques doivent \u00eatre align\u00e9s exactement sur vos images.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n\n\n\n
    Pour g\u00e9n\u00e9rer ces masques : annotation manuelle avec QGIS (polygones ou rasters) ou logiciels d\u2019annotation comme LabelMe<\/strong>, CVAT<\/strong>, ou Labelbox<\/strong>.<\/p>\n\n\n\n
    \n\n\n\n
    <\/span>Charger le mod\u00e8le U-Net existant<\/span><\/h3>\n\n\n\n
    En PyTorch\u202f:<\/p>\n\n\n\n
    <\/div>
    chargement du mod\u00e8le<\/div>
    <\/div><\/div>
    <\/p>\n\n\n\n
    import torch\nfrom segmentation_models_pytorch import Unet\n\n# Chemin vers votre mod\u00e8le existant\nmodel_path = \"unet_coraux.pth\"\n\n# Charger le mod\u00e8le complet (architecture + poids)\nmodel = torch.load(model_path, map_location='cpu', weights_only=False)\nmodel.train() # mettre en mode entra\u00eenement\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n \u2705 L\u2019avantage\u202f: vous ne repartez pas de z\u00e9ro, le mod\u00e8le conna\u00eet d\u00e9j\u00e0 des motifs coralliens g\u00e9n\u00e9riques.<\/p>\n\n\n\n \n\n\n\n<\/span>Pr\u00e9parer le DataLoader<\/span><\/h3>\n\n\n\nPour entra\u00eener un U-Net, il faut un DataLoader PyTorch<\/strong> pour fournir vos images et masques par lots :<\/p>\n\n\n\n <\/div><\/div><\/div><\/div><\/p>\n\n\n\nfrom torch.utils.data import Dataset, DataLoader\nimport numpy as np\nfrom torchvision import transforms\n\nclass CoralDataset(Dataset):\n def init(self, image_files, mask_files, transform=None):\n self.image_files = image_files\n self.mask_files = mask_files\n self.transform = transform\n\n def len(self):\n return len(self.image_files)\n\n def getitem(self, idx):\n img = np.load(self.image_files[idx]).astype(np.float32) # ou utiliser rasterio\n mask = np.load(self.mask_files[idx]).astype(np.float32)\n \n if self.transform:\n img = self.transform(img)\n mask = self.transform(mask)\n \n return torch.from_numpy(img), torch.from_numpy(mask)\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n \nimage_files<\/code> et mask_files<\/code> contiennent vos donn\u00e9es locales.<\/li>\n\n\n\n Vous pouvez appliquer des transformations<\/strong> (rotations, flips, normalisation) pour augmenter la diversit\u00e9.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>Configurer l\u2019entra\u00eenement<\/span><\/h3>\n\n\n\n\nCrit\u00e8re de perte<\/strong> : pour la segmentation binaire torch.nn.BCEWithLogitsLoss()<\/code> ou DiceLoss<\/code>.<\/li>\n\n\n\n Optimiseur<\/strong> : torch.optim.Adam(model.parameters(), lr=1e-4)<\/code> par exemple.<\/li>\n\n\n\n Batch size<\/strong> : d\u00e9pend de la m\u00e9moire GPU.<\/li>\n\n\n\n \u00c9poques<\/strong> : 10\u201150 pour fine-tuning, selon vos donn\u00e9es.<\/li>\n<\/ul>\n\n\n\n<\/div><\/div><\/div><\/div><\/p>\n\n\n\ncriterion = torch.nn.BCEWithLogitsLoss()\noptimizer = torch.optim.Adam(model.parameters(), lr=1e-4)\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n \n\n\n\n<\/span>Fine-tuning<\/span><\/h3>\n\n\n\n<\/div>fine-tuning<\/div><\/div><\/div><\/p>\n\n\n\nfor epoch in range(num_epochs):\n for images, masks in dataloader:\n optimizer.zero_grad()\n outputs = model(images)\n loss = criterion(outputs, masks)\n loss.backward()\n optimizer.step()\n print(f\"Epoch {epoch+1}, Loss: {loss.item()}\")\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n \nImportant\u202f: ne pas d\u00e9passer la capacit\u00e9 de votre GPU si les images sont grandes.<\/li>\n\n\n\n Vous pouvez geler les premi\u00e8res couches<\/strong> de l\u2019encodeur (pr\u00e9-entra\u00eenement) et n\u2019entra\u00eener que le d\u00e9codeur pour \u00e9viter de tout r\u00e9apprendre.<\/li>\n<\/ul>\n\n\n\n<\/div><\/div><\/div><\/div><\/p>\n\n\n\nfor param in model.encoder.parameters():\n param.requires_grad = False\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n \n\n\n\n<\/span>Sauvegarder le mod\u00e8le affin\u00e9<\/span><\/h3>\n\n\n\n<\/div><\/div><\/div><\/div><\/p>\n\n\n\ntorch.save(model, \"unet_coraux_maurice.pth\")\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n \nCe mod\u00e8le pourra ensuite \u00eatre utilis\u00e9 directement dans votre script QGIS pour la segmentation locale.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>Bonnes pratiques<\/span><\/h3>\n\n\n\n\nV\u00e9rifiez que les bandes de vos images correspondent exactement aux attentes du mod\u00e8le.<\/li>\n\n\n\n Normalisez vos images comme pour l\u2019entra\u00eenement initial.<\/li>\n\n\n\n Commencez par un nombre r\u00e9duit d\u2019images<\/strong> pour tester le fine-tuning avant de lancer un gros entra\u00eenement.<\/li>\n\n\n\n Pensez \u00e0 augmenter vos donn\u00e9es<\/strong> (rotations, flips, zooms) pour \u00e9viter le surapprentissage.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>Script : fine-tuning d\u2019un mod\u00e8le U-Net sur les coraux mauriciens<\/span><\/h2>\n\n\n\n Il est con\u00e7u pour \u00eatre simple, p\u00e9dagogique et ex\u00e9cutable dans un environnement Python classique<\/strong> (hors QGIS, car QGIS n\u2019a pas les d\u00e9pendances d\u2019entra\u00eenement).<\/p>\n\n\n\n \n\n\n\n<\/div><\/div><\/div><\/div><\/p>\n\n\n\n# -- coding: utf-8 --\n\"\"\"\nFine-tuning d\u2019un mod\u00e8le U-Net PyTorch sur les coraux mauriciens\n---------------------------------------------------------------\nCe script prend un mod\u00e8le U-Net existant (fichier .pth)\net l\u2019adapte \u00e0 vos propres images et masques de coraux.\n\"\"\"\n\nimport os\nimport torch\nimport numpy as np\nfrom torch.utils.data import Dataset, DataLoader\nfrom torch import nn, optim\nimport rasterio\nfrom segmentation_models_pytorch import Unet\nfrom tqdm import tqdm\n\n# --- Configuration utilisateur ---\nimage_dir = \"data\/images\/\" # dossier contenant les images Sentinel-2 (tuiles .tif)\nmask_dir = \"data\/masks\/\" # dossier contenant les masques binaires correspondants\npretrained_model_path = \"unet_coraux.pth\" # mod\u00e8le existant\noutput_model_path = \"unet_coraux_maurice.pth\"\nbatch_size = 4\nnum_epochs = 20\nlearning_rate = 1e-4\ndevice = \"cuda\" if torch.cuda.is_available() else \"cpu\"\n\n# --- Dataset personnalis\u00e9 ---\nclass CoralDataset(Dataset):\n def init(self, image_dir, mask_dir):\n self.image_files = sorted([os.path.join(image_dir, f) for f in os.listdir(image_dir) if f.endswith(\".tif\")])\n self.mask_files = sorted([os.path.join(mask_dir, f) for f in os.listdir(mask_dir) if f.endswith(\".tif\")])\n\n def len(self):\n return len(self.image_files)\n\n def getitem(self, idx):\n img_path, mask_path = self.image_files[idx], self.mask_files[idx]\n with rasterio.open(img_path) as src<\/a>:\n img = src.read().astype(np.float32)\n with rasterio.open(mask_path) as src:\n mask = src.read(1).astype(np.float32) # 1 canal\n\n # Normalisation 0-1\n img = (img - img.min()) \/ (img.max() - img.min() + 1e-6)\n\n return torch.tensor(img), torch.tensor(mask).unsqueeze(0) # (C,H,W), (1,H,W)\n\n# --- Chargement des donn\u00e9es ---\ndataset = CoralDataset(image_dir, mask_dir)\ndataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True)\n\n# --- Chargement du mod\u00e8le pr\u00e9-entra\u00een\u00e9 ---\nprint(\"Chargement du mod\u00e8le existant...\")\nmodel = torch.load(pretrained_model_path, map_location=device)\nmodel = model.to(device)\nmodel.train()\n\n# --- Option : geler l\u2019encodeur (pr\u00e9-entra\u00eenement) ---\nfor param in model.encoder.parameters():\n param.requires_grad = False\n\n# --- D\u00e9finir la fonction de perte et l\u2019optimiseur ---\ncriterion = nn.BCEWithLogitsLoss() # segmentation binaire\noptimizer = optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr=learning_rate)\n\n# --- Entra\u00eenement ---\nprint(f\"D\u00e9but de l\u2019entra\u00eenement ({num_epochs} \u00e9poques)...\")\nfor epoch in range(num_epochs):\n model.train()\n running_loss = 0.0\n\n for images, masks in tqdm(dataloader, desc=f\"\u00c9poque {epoch+1}\/{num_epochs}\"):\n images, masks = images.to(device), masks.to(device)\n\n optimizer.zero_grad()\n outputs = model(images)\n loss = criterion(outputs, masks)\n loss.backward()\n optimizer.step()\n\n running_loss += loss.item()\n\n avg_loss = running_loss \/ len(dataloader)\n print(f\"\u00c9poque {epoch+1}\/{num_epochs} \u2014 perte moyenne : {avg_loss:.4f}\")\n\n# --- Sauvegarde du mod\u00e8le affin\u00e9 ---\ntorch.save(model, output_model_path)\nprint(f\"\u2705 Mod\u00e8le affin\u00e9 sauvegard\u00e9 sous : {output_model_path}\")\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n \n\n\n\n<\/span>Ce que fait le script<\/span><\/h2>\n\n\n\n\nRecharge le mod\u00e8le U-Net pr\u00e9-entra\u00een\u00e9 sur d\u2019autres coraux<\/strong>.<\/li>\n\n\n\n G\u00e8le ses couches d\u2019encodeur<\/strong> (celles apprises sur ImageNet ou Sentinel-2).<\/li>\n\n\n\n N\u2019entra\u00eene que le d\u00e9codeur<\/strong> pour adapter la reconnaissance aux textures, couleurs et eaux mauriciennes<\/strong>.<\/li>\n\n\n\n Enregistre le nouveau mod\u00e8le .pth<\/code> pr\u00eat \u00e0 \u00eatre utilis\u00e9 dans le script QGIS<\/strong>.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>Organisation attendue des fichiers<\/span><\/h2>\n\n\n\ndata\/\n \u251c\u2500\u2500 images\/\n \u2502 \u251c\u2500\u2500 001.tif\n \u2502 \u251c\u2500\u2500 002.tif\n \u2502 \u2514\u2500\u2500 ...\n \u2514\u2500\u2500 masks\/\n \u251c\u2500\u2500 001.tif\n \u251c\u2500\u2500 002.tif\n \u2514\u2500\u2500 ...\n<\/code><\/pre>\n\n\n\n\nChaque image<\/code> doit avoir un mask<\/code> du m\u00eame nom et m\u00eame dimension.<\/li>\n\n\n\n Les fichiers peuvent \u00eatre issus de Sentinel-2, Planet ou drone (m\u00eame r\u00e9solution pr\u00e9f\u00e9rable).<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>Pour aller plus loin<\/span><\/h2>\n\n\n\n\nVous pouvez changer la fonction de perte<\/strong> pour mieux distinguer coraux\/sable : from segmentation_models_pytorch.losses import DiceLoss criterion = DiceLoss(mode=\"binary\")<\/code><\/li>\n\n\n\n Si vous souhaitez r\u00e9entra\u00eener tout le mod\u00e8le<\/strong> (pas seulement le d\u00e9codeur), supprimez la boucle : for param in model.encoder.parameters(): param.requires_grad = False<\/code><\/li>\n\n\n\n Si vous avez plusieurs classes (coraux, algues, sable, eau), remplacez la couche de sortie et la perte par une version multi-classes (nn.CrossEntropyLoss()<\/code>).<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>Script : Validation et visualisation du mod\u00e8le affin\u00e9<\/span><\/h2>\n\n\n\n<\/div><\/div><\/div><\/div><\/p>\n\n\n\n# -- coding: utf-8 --\n\"\"\"\nValidation du mod\u00e8le U-Net affin\u00e9 sur les coraux mauriciens\n-----------------------------------------------------------\nAffiche la pr\u00e9diction de masques coralliens \u00e0 partir d'images Sentinel-2.\n\"\"\"\n\nimport torch\nimport numpy as np\nimport rasterio\nimport matplotlib.pyplot as plt\nfrom torch.utils.data import DataLoader\nfrom tqdm import tqdm\nimport os\n\n# --- Param\u00e8tres utilisateur ---\nmodel_path = \"unet_coraux_maurice.pth\" # mod\u00e8le affin\u00e9\ntest_image_dir = \"data\/test_images\/\" # dossier d\u2019images Sentinel-2 \u00e0 tester\noutput_dir = \"results\/\" # dossier o\u00f9 enregistrer les masques pr\u00e9dits\nos.makedirs(output_dir, exist_ok=True)\n\ndevice = \"cuda\" if torch.cuda.is_available() else \"cpu\"\n\n# --- Chargement du mod\u00e8le ---\nprint(\"Chargement du mod\u00e8le...\")\nmodel = torch.load(model_path, map_location=device)\nmodel.eval()\n\n# --- Fonction utilitaire pour pr\u00e9dire un masque sur une image Sentinel-2 ---\ndef predict_mask(image_path):\n with rasterio.open(image_path) as src:\n img = src.read().astype(np.float32)\n profile = src.profile\n\n img = (img - img.min()) \/ (img.max() - img.min() + 1e-6)\n tensor = torch.from_numpy(img).unsqueeze(0).to(device)\n\n with torch.no_grad():\n pred = torch.sigmoid(model(tensor))\n mask = pred.squeeze().cpu().numpy()\n\n return mask, profile\n\n# --- Boucle de test sur les images ---\nfor file in tqdm(sorted(os.listdir(test_image_dir))):\n if not file.endswith(\".tif\"):\n continue\n\n image_path = os.path.join(test_image_dir, file)\n mask, profile = predict_mask(image_path)\n\n # Seuil pour binaire (ajuster selon ton mod\u00e8le)\n binary_mask = (mask > 0.5).astype(np.uint8)\n\n # Enregistrement du masque pr\u00e9dictif\n out_path = os.path.join(output_dir, f\"mask_{file}\")\n profile.update(count=1, dtype='uint8')\n with rasterio.open(out_path, 'w', **profile) as dst:\n dst.write(binary_mask, 1)\n\n # --- Visualisation (optionnelle) ---\n plt.figure(figsize=(10,5))\n plt.subplot(1,2,1)\n plt.title(\"Image Sentinel-2 (RGB)\")\n rgb = np.stack([mask for mask in (img[3:0:-1])], axis=-1) if img.shape[0]>=3 else img.transpose(1,2,0)\n plt.imshow(np.clip(rgb, 0, 1))\n plt.axis(\"off\")\n\n plt.subplot(1,2,2)\n plt.title(\"Masque pr\u00e9dit (coraux)\")\n plt.imshow(mask, cmap=\"turbo\")\n plt.colorbar(label=\"Probabilit\u00e9\")\n plt.axis(\"off\")\n plt.tight_layout()\n plt.show()\n\nprint(f\"\u2705 R\u00e9sultats enregistr\u00e9s dans : {output_dir}\")\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n \n\n\n\n<\/span>Ce que fait ce script<\/span><\/h2>\n\n\n\n\nCharge le mod\u00e8le affin\u00e9 (unet_coraux_maurice.pth<\/code>).<\/li>\n\n\n\n Lit chaque image Sentinel-2 du dossier data\/test_images\/<\/code>.<\/li>\n\n\n\n Calcule la carte de probabilit\u00e9<\/strong> (entre 0 et 1) pour les zones coralliennes.<\/li>\n\n\n\n Applique un seuil<\/strong> (0.5 par d\u00e9faut) pour obtenir un masque binaire.<\/li>\n\n\n\n Sauvegarde le masque dans results\/<\/code>.<\/li>\n\n\n\n Affiche l\u2019image et le masque c\u00f4te \u00e0 c\u00f4te pour contr\u00f4le visuel.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>Conseils d\u2019analyse<\/span><\/h2>\n\n\n\n\nLes zones rouge\/orange<\/strong> sur la carte de chaleur sont celles que le mod\u00e8le identifie comme coraux probables<\/strong>.<\/li>\n\n\n\n Ajustez le seuil 0.5<\/strong> selon vos observations :\n\n0.3<\/code> \u2192 masque plus large, plus sensible (risque de faux positifs)<\/li>\n\n\n\n 0.7<\/code> \u2192 masque plus restreint, plus pr\u00e9cis (mais risque d\u2019oublier certains coraux)<\/li>\n<\/ul>\n<\/li>\n\n\n\n Si vous observez de la confusion sable\/coraux :\n\nAjoutez des masques d\u2019eau<\/strong> pour filtrer la terre.<\/li>\n\n\n\n Ou enrichissez l’entra\u00eenement avec des \u00e9chantillons \u00e9quilibr\u00e9s (eau claire, herbiers, sable).<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n \n\n\n\nMaintenant la suite logique<\/strong> : un script d\u2019\u00e9valuation quantitative<\/strong> pour mesurer la performance du mod\u00e8le affin\u00e9 U-Net sur les images coralliennes mauriciennes. Il calcule plusieurs indicateurs de qualit\u00e9 (IoU, F1-score, pr\u00e9cision, rappel, etc.) \u00e0 partir d\u2019images de test et de leurs masques de r\u00e9f\u00e9rence.<\/p>\n\n\n\n \n\n\n\n<\/span>Script : \u00c9valuation du mod\u00e8le U-Net sur les coraux<\/span><\/h2>\n\n\n\n<\/div><\/div><\/div><\/div><\/p>\n\n\n\n# -- coding: utf-8 --\n\"\"\"\n\u00c9valuation du mod\u00e8le U-Net affin\u00e9 sur les coraux mauriciens\n-----------------------------------------------------------\nCompare les masques pr\u00e9dits et les masques de r\u00e9f\u00e9rence.\n\"\"\"\n\nimport os\nimport numpy as np\nimport torch\nimport rasterio\nfrom sklearn.metrics import precision_score, recall_score, f1_score, jaccard_score\nfrom tqdm import tqdm\n\n# --- Param\u00e8tres utilisateur ---\nmodel_path = \"unet_coraux_maurice.pth\"\ntest_image_dir = \"data\/test_images\/\" # images Sentinel-2 \u00e0 tester\nref_mask_dir = \"data\/test_masks\/\" # masques de r\u00e9f\u00e9rence (binaire 0\/1)\noutput_dir = \"results_eval\/\"\nos.makedirs(output_dir, exist_ok=True)\n\ndevice = \"cuda\" if torch.cuda.is_available() else \"cpu\"\n\n# --- Chargement du mod\u00e8le ---\nprint(\"Chargement du mod\u00e8le...\")\nmodel = torch.load(model_path, map_location=device)\nmodel.eval()\n\n# --- Fonction utilitaire pour pr\u00e9dire un masque ---\ndef predict_mask(image_path):\n with rasterio.open(image_path) as src:\n img = src.read().astype(np.float32)\n img = (img - img.min()) \/ (img.max() - img.min() + 1e-6)\n tensor = torch.from_numpy(img).unsqueeze(0).to(device)\n with torch.no_grad():\n pred = torch.sigmoid(model(tensor))\n mask = pred.squeeze().cpu().numpy()\n return (mask > 0.5).astype(np.uint8)\n\n# --- Initialisation des listes de scores ---\niou_scores, f1_scores, prec_scores, rec_scores = [], [], [], []\n\n# --- Boucle principale ---\nfor file in tqdm(sorted(os.listdir(test_image_dir))):\n if not file.endswith(\".tif\"):\n continue\n\n image_path = os.path.join(test_image_dir, file)\n ref_path = os.path.join(ref_mask_dir, file.replace(\".tif\", \"_mask.tif\"))\n if not os.path.exists(ref_path):\n print(f\"\u26a0\ufe0f Pas de masque de r\u00e9f\u00e9rence pour {file}\")\n continue\n\n # Pr\u00e9diction\n pred_mask = predict_mask(image_path)\n\n # Chargement du masque de r\u00e9f\u00e9rence\n with rasterio.open(ref_path) as src:\n ref_mask = src.read(1).astype(np.uint8)\n\n # Mise \u00e0 la m\u00eame taille si besoin\n if pred_mask.shape != ref_mask.shape:\n min_h = min(pred_mask.shape[0], ref_mask.shape[0])\n min_w = min(pred_mask.shape[1], ref_mask.shape[1])\n pred_mask = pred_mask[:min_h, :min_w]\n ref_mask = ref_mask[:min_h, :min_w]\n\n # Vectorisation\n y_true = ref_mask.flatten()\n y_pred = pred_mask.flatten()\n\n # Calcul des m\u00e9triques\n iou = jaccard_score(y_true, y_pred)\n f1 = f1_score(y_true, y_pred)\n prec = precision_score(y_true, y_pred)\n rec = recall_score(y_true, y_pred)\n\n iou_scores.append(iou)\n f1_scores.append(f1)\n prec_scores.append(prec)\n rec_scores.append(rec)\n\n# --- R\u00e9sum\u00e9 des r\u00e9sultats ---\nprint(\"\\n=== \u00c9valuation du mod\u00e8le U-Net ===\")\nprint(f\"IoU moyen : {np.mean(iou_scores):.3f}\")\nprint(f\"F1-score moyen : {np.mean(f1_scores):.3f}\")\nprint(f\"Pr\u00e9cision moy. : {np.mean(prec_scores):.3f}\")\nprint(f\"Rappel moyen : {np.mean(rec_scores):.3f}\")\n\n# Sauvegarde des r\u00e9sultats\nwith open(os.path.join(output_dir, \"scores.txt\"), \"w\") as f:\n f.write(\"=== \u00c9valuation du mod\u00e8le U-Net ===\\n\")\n f.write(f\"IoU moyen : {np.mean(iou_scores):.3f}\\n\")\n f.write(f\"F1-score moyen : {np.mean(f1_scores):.3f}\\n\")\n f.write(f\"Pr\u00e9cision moy. : {np.mean(prec_scores):.3f}\\n\")\n f.write(f\"Rappel moyen : {np.mean(rec_scores):.3f}\\n\")\n\nprint(f\"\\n\u2705 R\u00e9sultats enregistr\u00e9s dans : {output_dir}\")\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n \n\n\n\n<\/span>Ce que l’on obtient<\/span><\/h2>\n\n\n\nIndicateur<\/th> Interpr\u00e9tation<\/th><\/tr><\/thead> IoU (Intersection over Union)<\/strong><\/td> Taux de recouvrement entre pr\u00e9diction et v\u00e9rit\u00e9 terrain.<\/td><\/tr> F1-score<\/strong><\/td> \u00c9quilibre entre pr\u00e9cision et rappel (plus robuste que la simple pr\u00e9cision).<\/td><\/tr> Pr\u00e9cision<\/strong><\/td> Pourcentage de pixels pr\u00e9dits \u201ccorail\u201d qui sont r\u00e9ellement des coraux.<\/td><\/tr> Rappel<\/strong><\/td> Pourcentage de vrais coraux d\u00e9tect\u00e9s par le mod\u00e8le.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n \n\n\n\n<\/span>Interpr\u00e9tation pratique<\/span><\/h2>\n\n\n\nValeur<\/th> Signification<\/th><\/tr><\/thead> IoU > 0.7<\/td> Excellent mod\u00e8le<\/td><\/tr> 0.5 < IoU \u2264 0.7<\/td> Bon r\u00e9sultat, am\u00e9liorable<\/td><\/tr> IoU < 0.5<\/td> Manque de g\u00e9n\u00e9ralisation ou donn\u00e9es mal \u00e9quilibr\u00e9es<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n \n\n\n\nVoici donc la suite directe<\/strong> : un script compl\u00e9mentaire qui compare visuellement les performances<\/strong> de deux mod\u00e8les U-Net \u2014 par exemple le mod\u00e8le d\u2019origine (entra\u00een\u00e9 ailleurs) et le mod\u00e8le affin\u00e9 sur les coraux mauriciens \u2014 \u00e0 partir des m\u00e9triques enregistr\u00e9es.<\/p>\n\n\n\n \n\n\n\n<\/span>Script : Comparaison automatique de deux mod\u00e8les U-Net<\/span><\/h2>\n\n\n\n<\/div><\/div><\/div><\/div><\/p>\n\n\n\n# -- coding: utf-8 --\n\"\"\"\nComparaison de deux mod\u00e8les U-Net (original vs affin\u00e9)\n------------------------------------------------------\nLit les r\u00e9sultats d\u2019\u00e9valuation (scores.txt) et g\u00e9n\u00e8re un graphique comparatif.\n\"\"\"\n\nimport matplotlib.pyplot as plt\nimport numpy as np\nimport os\n\n# --- Fichiers de r\u00e9sultats \u00e0 comparer ---\nmodel_names = [\"U-Net original\", \"U-Net affin\u00e9 (Maurice)\"]\nscore_files = [\n \"results_original\/scores.txt\",\n \"results_eval\/scores.txt\"\n]\n\n# --- Lecture des scores ---\ndef read_scores(file_path):\n metrics = {}\n with open(file_path, \"r\", encoding=\"utf-8\") as f:\n for line in f:\n parts = line.strip().split(\":\")\n if len(parts) == 2:\n key, val = parts\n try:\n metrics[key.strip()] = float(val)\n except:\n pass\n return metrics\n\nresults = [read_scores(f) for f in score_files]\n\n# --- R\u00e9cup\u00e9ration des m\u00e9triques ---\nmetrics_names = [\"IoU moyen\", \"F1-score moyen\", \"Pr\u00e9cision moy.\", \"Rappel moyen\"]\nvalues = np.array([[r[m] for m in metrics_names] for r in results])\n\n# --- Cr\u00e9ation du graphique ---\nx = np.arange(len(metrics_names))\nwidth = 0.35\n\nfig, ax = plt.subplots(figsize=(8, 5))\nrects1 = ax.bar(x - width\/2, values[0], width, label=model_names[0])\nrects2 = ax.bar(x + width\/2, values[1], width, label=model_names[1])\n\nax.set_ylabel(\"Score\")\nax.set_title(\"Comparaison des performances des mod\u00e8les U-Net\")\nax.set_xticks(x)\nax.set_xticklabels(metrics_names, rotation=15)\nax.legend()\n\n# Ajout des valeurs au-dessus des barres\ndef autolabel(rects):\n for rect in rects:\n height = rect.get_height()\n ax.annotate(f\"{height:.2f}\",\n xy=(rect.get_x() + rect.get_width()\/2, height),\n xytext=(0, 3), # d\u00e9calage vertical\n textcoords=\"offset points\",\n ha='center', va='bottom')\nautolabel(rects1)\nautolabel(rects2)\n\nplt.tight_layout()\nplt.show()\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n \n\n\n\n<\/span>R\u00e9sultat<\/span><\/h3>\n\n\n\nCe script g\u00e9n\u00e8re un graphique en barres comparatif<\/strong> entre :<\/p>\n\n\n\n \nle U-Net original<\/strong> (par ex. mod\u00e8le global, entra\u00een\u00e9 ailleurs) ;<\/li>\n\n\n\n le U-Net affin\u00e9 sur donn\u00e9es locales mauriciennes<\/strong>.<\/li>\n<\/ul>\n\n\n\nL\u2019affichage permet de voir imm\u00e9diatement :<\/p>\n\n\n\n \nsi l\u2019affinage am\u00e9liore l\u2019IoU<\/strong> ou le rappel<\/strong> (souvent le cas) ;<\/li>\n\n\n\n s\u2019il change la pr\u00e9cision<\/strong>, r\u00e9v\u00e9lant parfois un mod\u00e8le plus sensible mais moins sp\u00e9cifique.<\/li>\n<\/ul>\n\n\n\n \n\n\n\n<\/span>Variante bonus (radar plot)<\/span><\/h3>\n\n\n\nSi vous souhaitez un visuel plus synth\u00e9tique (id\u00e9al pour un article), vous pouvez remplacer la partie graphique par :<\/p>\n\n\n\n <\/div><\/div><\/div><\/div><\/p>\n\n\n\nfrom math import pi\n\nmetrics = metrics_names\nnum_vars = len(metrics)\nangles = np.linspace(0, 2 * np.pi, num_vars, endpoint=False).tolist()\nvalues = np.concatenate((values, values[:, [0]]), axis=1)\nangles += angles[:1]\n\nfig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True))\n\nfor i in range(len(model_names)):\n ax.plot(angles, values[i], label=model_names[i])\n ax.fill(angles, values[i], alpha=0.25)\n\nax.set_xticks(angles[:-1])\nax.set_xticklabels(metrics)\nax.set_yticklabels([])\nax.legend(loc=\"upper right\", bbox_to_anchor=(1.3, 1.1))\nplt.title(\"Comparaison radar des performances U-Net\")\nplt.show()\n<\/code><\/pre>\n\n\n\n<\/div><\/div>\n\n\n\n \n\n\n\n<\/p>\n","protected":false},"excerpt":{"rendered":" Le Deep Learning offre des possibilit\u00e9s incroyables pour analyser les images satellites et segmenter automatiquement des \u00e9l\u00e9ments d\u2019int\u00e9r\u00eat, comme les coraux, les zones foresti\u00e8res ou urbaines. Dans cet article, nous explorons comment r\u00e9entra\u00eener ou affiner un…<\/p>\n","protected":false},"author":1,"featured_media":15928,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"give_campaign_id":0,"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"sfsi_plus_gutenberg_text_before_share":"","sfsi_plus_gutenberg_show_text_before_share":"","sfsi_plus_gutenberg_icon_type":"","sfsi_plus_gutenberg_icon_alignemt":"","sfsi_plus_gutenburg_max_per_row":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[3853,62],"tags":[],"class_list":["post-15923","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-iafr","category-qgis-2"],"aioseo_notices":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/www.sigterritoires.fr\/wp-content\/uploads\/2025\/11\/unet.jpg?fit=454%2C310&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/p6XU0A-48P","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/15923","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/comments?post=15923"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/15923\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media\/15928"}],"wp:attachment":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media?parent=15923"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=15923"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=15923"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}