Le détecteur pré-entraîné, tel quel

Faster R-CNN : une architecture en deux temps

Faster R-CNN détecte des objets en deux étapes : un Region Proposal Network (RPN) propose des centaines de régions « objet-like » dans l’image, puis une tête de classification/régression affine et étiquette chacune de ces régions. Ce module utilise une variante allégée (fasterrcnn_mobilenet_v3_large_320_fpn), pensée pour tourner sur CPU sans GPU.

from torchvision.models.detection import fasterrcnn_mobilenet_v3_large_320_fpn

model = fasterrcnn_mobilenet_v3_large_320_fpn(weights="DEFAULT")
model.eval()

Les poids DEFAULT proviennent d’un pré-entraînement sur COCO, un jeu de données généraliste de 91 catégories (personnes, véhicules, animaux, objets du quotidien) — qui ne contient bien sûr aucune catégorie « cercle », « carré », « triangle » ou « étoile ».

Que se passe-t-il face à nos pièces géométriques ?

from torchvision.transforms import functional as F

with torch.no_grad():
    pred = model([F.to_tensor(sample_img)])[0]

mask = pred["scores"] > 0.5
print("Detections (score>0.5):", mask.sum().item())

Detections (score>0.5): 0

Aucune détection dépassant un seuil de confiance de 50 % : le modèle ne reconnaît même pas nos pièces géométriques comme des objets dignes d’intérêt. C’est un résultat plus net que celui obtenu sur des photos naturelles (où le RPN localise souvent correctement un objet inconnu tout en le classant mal) : nos formes, plates et sans texture, ne ressemblent à rien de ce que COCO a appris à reconnaître, ni dans leur apparence ni dans leur contexte (aucun « tapis de convoyeur » dans COCO).

Ce que ce résultat implique

Ce n’est pas un échec du modèle : c’est la confirmation qu’un pré-entraînement généraliste ne couvre pas tous les domaines possibles, et que l’écart entre les données d’entraînement d’origine et le domaine cible peut être total. La suite du module va adapter spécifiquement ce modèle à notre domaine, plutôt que d’en entraîner un nouveau depuis zéro — une démarche bien plus économe en données et en temps de calcul.

Prochaine étape

👉 Servir les données au modèle

---

Junior TSAFACK – 12/09/2026