heig-vd-geo/projet-piscine

🏊 Semantic Segmentation of Swimming Pools — Student Project

Ce projet a pour objectif de vous amener à parcourir toute la chaîne d’un projet de deep learning appliqué à la géomatique, depuis la préparation de données géospatiales jusqu’à l’évaluation finale sur un leaderboard HuggingFace.

Les étudiants disposeront :

• d’un shapefile contenant tous les polygones de piscines du canton,
• des orthophotos du canton,
• d’un ensemble d’images pour l’entraînement et d’un ensemble d’images sans labels pour le test.

À la fin, chaque groupe doit produire :

1. un mini article scientifique/rapport d'ingénieur (4–6 pages),
2. un modèle fonctionnel en rendant le code,
3. un ensemble de prédictions soumises sur le leaderboard HuggingFace.

---

📁 Structure du dépôt

.
├── data/
│   ├── train/
│       ├── img/                 # Images d'entraînement (.tif)
│       │   ├── swissimagexxx.tif
│       │   └── ...
│       │
│       └── msk/                 # Masques binaires (.png) correspondants à créer
│           ├── swissimagexxx.png
│           └── ...
│   
│   ├── test/
│       ├── img/                 # Images à prédire (sans masques)
│       |   ├── swissimagexxx.tif
│       |   └── ...             
│       └── msk/                 # Masques générés (à créer)
│           ├── swissimagexxx.png
│           └── ...
│
├── notebooks/
│   ├── 01_prepare_data.ipynb   # Notebook de préparation des données
│   ├── 02_training_unet.ipynb  # Notebook d'entraînement
│   └── 03_inference.ipynb      # Notebook à faire pour créer les masques de piscine sur les images de test
│
└── README.md

🔧 1. Préparation des données

Il faut d'abord télécharger toutes les données swissimage du canton de Genève, ces données sont déjà dans le dossier data.

L'étape de préparation consiste à transformer les polygones du shapefile en masques binaires parfaitement alignés avec les images aériennes.

Objectif

Pour chaque image swissimage_xxx.tif, générer un masque :

• même taille (H, W),
• valeurs 0 (non piscine) et 1 (piscine),
• format .png,
• même nom que l’image (tile_xxx.png),
• placé dans data/train/msk/.

Résultat attendu

À l’issue du notebook, votre dossier train devrait contenir quelque chose comme :

train/
  img/
    swissimage_xxx.tif
    ...
  msk/
    swissimage_xxx.png
    ...

Vous pourrez alors utiliser ces couples image/mask pour entraîner un modèle de segmentation sémantique.

2. Entraînement du model

Il est demandé à minima :

• de compléter le notebook 02_training,
• de faire un split d'entraînement et de validation,
• de faire tourner un entraînement complet (3 minutes par epoch)

3. Inférence sur le jeu de données test

Il est demandé à minima :

• de créer le notebook 03_inference,
• visualiser une image de test avec le mask prédit,
• soumettre au moins un résultat sur le leaderboard.

🧠 4. Rendu

Mini-article scientifique/rapport d'ingénieur attendu

Votre rapport (4–6 pages) doit contenir :

• Introduction

  • Contexte (imagerie aérienne, segmentation de piscines)
  • Objectif du projet
  • Un minimum de 2 références venant de la littérature scientifique en lien avec le sujet

• Méthodologie

  • Préparation des données (ce notebook)
  • Modèle choisi (U-Net, DeepLab, etc.)
  • Prétraitement, pertes, hyperparamètres

• Résultats

  • Conditions d’entraînement
  • Métriques obtenues sur le leaderboard
  • Visualisation de quelques prédictions
  • Analyse des erreurs

• Conclusion

  • Conclusion
  • Ce que vous auriez amélioré avec plus de temps

Code

Un rendu du code est attendu, soit en créant un répertoire sur huggingface soit par mail.

Leaderboard HuggingFace

Vous devrez soumettre au moins un résultat sur le jeu de données test sur le leaderboard.

Le leaderboard calculera automatiquement la métrique f1_score pour le classement.

Des instructions détaillées seront fournies séparément sur la page du leaderboard.

▶️ 4. Comment commencer ?

Créez un compte huggingface et demandez à rejoindre l'organisation heig-vd-geo, tout ce contenu est dans la partie projet-piscine

hf download heig-vd-geo/projet-piscine --repo-type=dataset

ou directement sur cyberlearn

Utilisez l'environnement Python GTE et suivez l'ordre des notebooks à compléter.

Compléter les notebook :

notebooks/01_prepare_data.ipynb

Vérifiez visuellement que les masques sont corrects.

Passez à l'entraînement de votre modèle avec notebooks/02_training.ipynb

notebooks/02_training_unet.ipynb

Et créer un notebook d'inférence, qui utilise les poids entraînés après l'entraînement puis utilise les images de test pour calculer les masques.

Bon projet !