2.2 Définition des candidats
Fig. 61 Détection des candidats - Définition des candidats
L’étape de Définition des candidats vous permet de définir les pièces qui doivent être détectées comme candidats par l’algorithme d’IA. Pour ce faire, vous devez tracer des cadres englobants autour des pièces que vous souhaitez que le système reconnaisse comme des candidats valides.
Définition des candidats
Pour apprendre à l’algorithme quelles pièces sont valides, il suffit généralement de dessiner un cadre englobant bleu autour d’un bon candidat. Des cadres englobants supplémentaires peuvent être ajoutés pour couvrir davantage de variantes si la détection n’est pas satisfaisante. Le cadre englobant doit :
Entourer entièrement la pièce : Le cadre englobant doit recouvrir entièrement la pièce sans en couper les bords.
Être aussi serré que possible : L’espace supplémentaire autour de la pièce doit être réduit au minimum pour éviter de capturer un arrière-plan inutile ou des objets voisins.
Représenter différentes variations : Si la même pièce peut apparaître dans des orientations ou des formes légèrement différentes, dessinez plusieurs cadres englobants afin de couvrir ces scénarios. Cela augmente la robustesse de l’algorithme.
Fig. 62 Exemple d’un cadre englobant correct autour d’une pièce la définissant comme candidat
Utilisez le bouton 
de la Boîte à outils pour ajouter un nouveau cadre englobant et le placer sur l’image. Ensuite, faites-le glisser et redimensionnez-le pour l’adapter au candidat.
Remarque
Pour relancer le processus de définition des candidats, utilisez le bouton dans la Boîte à outils.
Conseil
La définition d’un ensemble diversifié de candidats améliore la robustesse de la détection des pièces. Définissez chaque variante à l’aide d’un cadre englobant distinct afin d’aider le système à reconnaître les différentes apparences d’une même pièce. Cependant, gardez à l’esprit que la définition d’un trop grand nombre de candidats peut augmenter le temps d’analyse.
Apprentissage
À la fin de cette étape, si des cadres englobants ont été modifiés, une phase d’apprentissage démarre automatiquement. Une boîte de dialogue, illustrée dans la Fig. 63, s’affiche pendant que le modèle d’IA est entraîné sur les cadres englobants définis. La durée de ce processus peut varier en fonction du nombre et de la taille des cadres englobants : plus il y a de cadres, plus le temps de traitement est long, et plus les cadres sont petits, plus le temps de traitement est long.
Veuillez noter que cette étape est spécifique à l’apprentissage de la recette et n’est pas nécessaire pendant la production.
Fig. 63 Entraînement de l’IA en cours
Multi-model
Pour les recettes multi-model, assurez-vous que chaque type de modèle est correctement détecté. Si nécessaire, vous pouvez également définir de nouveaux candidats pour améliorer l’étendue de la détection.