Lynxium Car
Application IA · vision par ordinateur
Une photo du véhicule, et l’IA montre où sont les dégâts.
Lynxium Car analyse la photo d’une voiture et fait un premier diagnostic en trois temps : repérer s’il y a un dégât, le localiser au pixel près, et le nommer, avec la pièce touchée. Priorité : ne rater aucun dégât, tout en limitant les fausses alertes sur les voitures intactes. De quoi trier plus vite les demandes de devis ou les états des lieux, avec une vérification humaine derrière.
- Repère la photo abîmée, entoure chaque dégât au pixel près et le nomme
- 8 types de dégâts : rayure, bosse, fissure, vitre brisée, phare cassé, pièce manquante, rouille, pneu crevé
- Un second modèle reconnaît les pièces de la carrosserie : on sait quelle pièce est touchée
- Seuil de confiance réglable : moins d’oublis, ou moins de fausses alertes
- Entraîné sur plus de 20 000 photos annotées, fusionnées et dédoublonnées
Les résultats
- 94 %des photos de voitures abîmées signalées
- 2 %des voitures intactes signalées à tort
- 75 %des pièces touchées retrouvées
- 8types de dégâts reconnus
Mesuré sur 2 051 photos de test jamais vues pendant l’entraînement (1 731 abîmées, 320 intactes), au seuil de confiance 0,15.
Les données
Plusieurs sources fusionnées, puis dédoublonnées pour qu’une même photo ne se retrouve jamais à la fois en entraînement et en test. Découpage : 16 679 images d’entraînement (80 %), 2 125 de validation et 2 051 de test (10 % chacun).
- 20 855images de dégâts annotées
- 1 660groupes de doublons repérés entre sources
- 6 886images créées par augmentation
- 1 500images de grêle synthétique
Une chaîne reproductible
- 1 · Fusion des sourcesTéléchargement, dédoublonnage, découpage entraînement / validation / test.
- 2 · Augmentation6 886 images supplémentaires pour varier les conditions de prise de vue.
- 3 · Grêle synthétique1 500 images générées sur GPU.
- 4 · ContrôleEmpreintes md5 comparées au manifeste : mêmes images, même découpage à chaque session.
- 5 · EntraînementYOLO en segmentation (Ultralytics) sur 2 GPU Tesla T4 de Kaggle, par tranches de 9 h avec reprise automatique.
- 6 · ÉvaluationRapports par photo, zone, classe et pièce, plus un test dédié à la grêle.
Version 2 contre version 1
Même jeu de test, même seuil (0,15). La v2, entraînée sur des images de 1024 px au lieu de 896, progresse sur presque tout.
| Indicateur | v1 | v2 |
|---|---|---|
| Photos abîmées signalées au bon endroit | 83 % | 91 % |
| Dégâts trouvés dans la bonne zone | 59 % | 69 % |
| Bonne zone et bon type de dégât | 44 % | 54 % |
| Pièce touchée retrouvée | 65 % | 75 % |
| Voitures intactes signalées à tort | 7 % | 2 % |
| Fausses détections par photo | 0,30 | 0,36 |
Seul recul : les fausses détections par photo passent de 0,30 à 0,36.
Ce qui ne marche pas encore
- GrêlePas encore de classe « grêle » : 0 photo grêlée signalée sur 12.
- Rayures et bossesLes dégâts les plus courants restent les plus difficiles à délimiter.
- Classes raresRouille et pneu crevé : trop peu d’exemples pour des scores fiables.
- PlateauPlus d’entraînement n’aide plus : il faut améliorer les données.
Prochaines étapes
- Ajouter une classe grêle, avec de vraies photos variées en plus des images synthétiques
- Relancer l’entraînement sur les données augmentées, à partir des poids de la v2
- Revoir les annotations des rayures et des bosses, tester des découpes en haute résolution
- Collecter plus d’exemples de rouille et de pneus crevés
YOLO en segmentation (Ultralytics), PyTorch, entraînement sur GPU Kaggle, images de 1024 px
Une application sur mesure pour votre métier ?
Premier échange de 30 minutes, gratuit et sans engagement.
Demander mon échange gratuit