Je vais convertir, nettoyer et corriger votre dataset yolo, coco ou voc pour l'entraînement

Les mauvaises données sont la cause la plus fréquente d’échec d’un modèle de détection. Je nettoie, convertis et valide votre dataset de détection d’objets pour qu’il soit prêt à l’entraînement.

Contexte : pour mon projet de détection de sécurité PPE, j’ai fusionné 5 sources publiques en un dataset propre de 6956 images : noms de classes unifiés, doublons supprimés, vérification des fuites entre train/test et correction des étiquettes cassées. Avec des comparaisons de méthodes, le mAP50 est passé de 0,674 à 0,753 sur un ensemble de test de 808 images.

Je peux :

• Convertir entre YOLO TXT, COCO JSON, Pascal VOC XML et exports Roboflow
• Supprimer les images corrompues, les doublons exacts ou proches, les boîtes vides ou invalides
• Renommer, fusionner ou remapper des classes sur plusieurs datasets
• Créer des séparations propres train/val/test sans fuite de données
• Rapporter le nombre de classes, la taille des boîtes et les étiquettes suspectes avec des exemples visuels

Ce que vous recevez :

• Le dataset nettoyé dans votre format cible avec data.yaml
• Un court rapport d’audit (CSV/Markdown avec graphiques)
• Les scripts Python que j’ai utilisés, pour que vous puissiez reproduire le processus

Note : la création de nouvelles étiquettes à partir de zéro n’est pas incluse. Contactez-moi pour un devis.