Problème · Solution · Résultat
Vue synthétique du pipeline de recherche Metricéa Lab.
Domain Shift
Les modèles entraînés sur données de laboratoire américaines échouent sur les photos terrain européennes.
Précision sur photos France sans adaptation
Fine-tuning ciblé
ResNet50 — fine-tuning des couches 3 et 4 avec un dataset terrain compact de 380 photos collectées en Île-de-France.
Une demi-journée d’inspection terrain
Déploiement opérationnel
Domain shift résolu en une seule passe d’entraînement sur CPU standard, sans GPU.
Précision validation terrain sans GPU requis
Domain shift quantifié pour la première fois
L’écart entre la performance sur benchmark et le déploiement terrain européen est précisément mesuré.
Cet écart de 79.8 points révèle que la performance sur benchmark seul n’est pas un prédicteur fiable de la performance opérationnelle. L’adaptation de domaine avec seulement 380 photos locales résout complètement ce décalage en une seule passe d’entraînement sur CPU.
Cinq modèles comparés
Comparaison systématique sous conditions expérimentales identiques — PyTorch 2.12 · Python 3.14 · CPU Intel.
| Modèle | Dataset | Meilleure précision | Stratégie | Matériel |
|---|---|---|---|---|
| CNN v0.1 | Dalles (D) | 90.6% | From scratch | CPU |
| ResNet50-TL v0.2 | Dalles (D) | 89.2% | Transfer Learning | CPU |
| ResNet50-FT v0.3 | Dalles (D) | 92.7% | Fine-tuning L3+L4 | CPU |
| ResNet50-FT v0.4 | D+W+P complet | 94.1% | Fine-tuning L3+L4 | CPU |
| ResNet50-FT v0.5 ★ | 476 photos terrain | 100% | Adaptation terrain | CPU |
Metricéa Lab — Île-de-France 2026
Dataset public disponible sur Dryad — collecté lors d’inspections réelles en Essonne.