Pourquoi les bouées
La détection de bouées est un sous-problème clé pour l’autonomie des USV opérant dans des zones navigables. Les bouées délimitent les chenaux, indiquent les dangers et définissent les limites des zones de mission. Un USV capable de les détecter de façon fiable peut géofencer ses propres opérations sans dépendre exclusivement du GPS.
Les bouées sont aussi un bon banc d’essai d’un point de vue vision : couleurs distinctes, formes régulières, mais apparence très variable selon la météo, l’état de la mer et le soleil.
Le dataset
568 images collectées depuis le Remora sur 6 sessions différentes. Conditions variées : plat calme, houle légère, lever de soleil, couverture nuageuse. Classes : bouée_verte, bouée_rouge, bouée_jaune, autres.
Augmentation : retournement horizontal, variation de luminosité ±30 %, recadrage aléatoire. Taille finale du dataset : ~2 300 images après augmentation. Annotation : LabelImg, durée totale environ 14 heures.
Entraînement
YOLOv8n (nano) — le plus petit modèle, conçu pour une inférence embarquée. Entraîné sur GPU (RTX 3060) pendant 100 epochs. mAP@0.5 sur l’ensemble de validation : 0.87. Prometteuse sur le papier.
Déploiement sur Jetson Nano
Conversion TensorRT via trtexec. Taille du modèle : 6,2 Mo. Débit d’inférence sur Jetson Nano 4 Go : ~18 FPS à 640×640. Acceptable pour une utilisation en temps réel.
Problème n°1 : glare solaire. Sur le dataset de validation, pas de soleil direct sur l’objectif. Sur le terrain : fréquent. Le glare crée des fausses détections sur les reflets des vagues qui ressemblent à des bouées jaunes. Solution : filtrer par taille minimale de boîte englobante et ratio largeur/hauteur.
Problème n°2 : spray. Quelques gouttes sur l’objectif = précision de 0.87 → 0.43 immédiatement. Aucune augmentation de données ne peut vraiment reproduire ça sans images réelles avec objectif mouillé. Solution partielle : images de training supplémentaires avec flou de gouttes simulé.
Problème n°3 : vibrations. Les moteurs du Remora créent des vibrations à ~40 Hz qui floutent les images à des vitesses d’obturation inférieures à 1/200s. Solution : stabilisation gyroscopique ou obturateur plus rapide (compromis bruit dans les conditions de faible luminosité).
Résultats terrain
Après 3 sessions de terrain supplémentaires avec correction de données : mAP réel en conditions normales d’environ 0.74. Acceptable pour la géofence mais pas encore pour les systèmes d’évitement de collision. La prochaine itération fusionnera la détection caméra avec le radar de collision pour améliorer la robustesse.
Code d’entraînement et dataset (sous licence CC BY-SA) dans le dépôt.