Pourquoi annoter des images spatiales ?
L’orbite terrestre est très encombrée : non pas de vie biologique, mais d’objets artificiels. Qu’il s’agisse de satellites fonctionnels, d’étages de fusées abandonnés ou de débris non identifiés, l’environnement orbital fait désormais l’objet d’une surveillance intense. Selon le Bureau des débris spatiaux de l’Agence spatiale européenne (ESA), plus de 36 500 débris de plus de 10 cm sont suivis. L’IA jouant un rôle essentiel dans l’identification et le suivi de ces objets, l’imagerie annotée constitue la base qui permet aux modèles de « voir » dans l’espace.
La détection d’objets orbitaux par IA nécessite des ensembles de données annotés précis, cohérents et à grande échelle pour :
- Entraîner des modèles de reconnaissance d’objets à faire la distinction entre les satellites, les débris et les artefacts tels que les éruptions solaires ou le bruit des capteurs.
- Améliorer la précision des prévisions pour les trajectoires orbitales et les collisions potentielles.
- Soutenir des plateformes de connaissance de la situation spatiale utilisées par les agences et les entreprises privées surveillant les constellations de satellites.
Cette étude de cas montre comment l’imagerie annotée permet d’atteindre ces objectifs et comment les équipes surmontent les défis uniques liés au travail dans le vide spatial.
Cas d’usage : surveillance orbitale assistée par l’IA
Imaginez un scénario dans lequel un opérateur de satellite commercial doit surveiller en permanence ses actifs pour éviter toute collision avec des débris inconnus. Le suivi manuel à l’aide de radars et de télescopes prend du temps et est sujet à des erreurs. L’entreprise se tourne vers l’IA, mais avant de lancer un modèle, elle a besoin de milliers d’images spatiales annotées pour alimenter le pipeline d’entraînement.
Les parties prenantes
Ce projet impliquait une collaboration entre :
- Un opérateur commercial de satellites basé en Europe.
- Une start-up de télédétection proposant des solutions d’IA.
- Un fournisseur d’annotation de données doté d’une expertise dans le domaine aérospatial.
- Des régulateurs nationaux et des analystes de la défense pour la validation et les tests.
L’objectif : créer un modèle d’IA capable de détecter des objets orbitaux en orbite terrestre basse (LEO) et en orbite géostationnaire (GEO) à l’aide d’images spatiales optiques collectées par des télescopes orientés vers la Terre et des capteurs embarqués.
Les données : images spatiales issues de sources multiples
Les données ont été collectées auprès de sources multiples pour garantir diversité et réalisme :
- Télescopes optiques (depuis le sol) capturant des traînées d’objets se déplaçant rapidement.
- Caméras satellites embarquées prise de photos et de vidéos des trajectoires orbitales.
- Ensembles de données synthétiques générés par des simulations basées sur la physique pour augmenter les événements rares (par exemple, quasi-collisions ou objets en décomposition).
Les images variaient en termes de résolution, d’angle, d’éclairage et de qualité du signal. Les annotateurs ont été chargés d’identifier des objets dans tous les types de données, qu’il s’agisse de captures nocturnes claires avec des champs d’étoiles ou d’images bruitées ou à faible résolution.
Lectures associées : NASA fournit un contexte sur les défis liés au suivi des débris spatiaux.
Principaux défis de l’annotation en environnement orbital
Étiqueter des objets dans l’espace, ce n’est pas comme étiqueter des véhicules sur une route. Voici les défis auxquels nous avons été confrontés :
Objets minuscules et faible visibilité
De nombreux objets orbitaux apparaissent sous la forme de points ou de stries pâles, souvent à peine distinguables des étoiles ou du bruit des capteurs. Les annotateurs avaient besoin d’une formation approfondie et de matériel de référence pour différencier les cibles des faux positifs.
Variation des vitesses et du flou
En fonction du mouvement relatif, les objets peuvent apparaître sous forme de traînées se déplaçant rapidement dans une seule image ou sous forme de points fixes sur plusieurs images. Les directives d’annotation devaient inclure :
- Modèles de mouvement à travers les séquences
- Suivi des identifiants image par image
- Contrôles de cohérence au fil du temps
Ambiguïté de classe
Cet objet était-il un satellite fonctionnel, un fragment mis hors service ou un panneau solaire ? Sans métadonnées intégrées, les annotateurs devaient s’appuyer sur le contexte, les repères visuels et la validation croisée des simulations.
Pour y remédier, une « structure de classe hiérarchique » a été adoptée :
- Satellite actif connu
- Satellite probablement inactif
- Fragment/débris
- Inconnu (signalé pour examen par un expert)
Cette classification a permis d’entraîner les modèles à traiter l’incertitude de manière intelligente plutôt que d’éliminer les données ambiguës.
Bruit environnemental
Les éruptions solaires, les rayons cosmiques et les artefacts des appareils photo ont introduit des motifs imprévisibles. Les annotateurs devaient distinguer :
- Vrais objets
- Réflexions
- Distorsions optiques
- Bruit de compression (dans les vidéos compressées)
Une étape de filtrage utilisant un pré-étiquetage assisté par l’IA a permis d’éliminer les faux positifs avant l’évaluation humaine.
Construire un workflow d’annotation précis et à grande échelle
Pour gérer cette tâche complexe, un flux de travail d’annotation à plusieurs niveaux a été adopté :
Ingestion et prétraitement des données
Les images brutes ont d’abord été transmises par :
- Filtres de réduction du bruit
- Normalisation du contraste
- Estimation du flux optique pour mettre en valeur le mouvement dans les vidéos
Des cadres de délimitation pré-étiquetés ont été générés à l’aide de modèles simples et d’heuristiques de clustering pour le marquage initial.
Formation des annotateurs guidée par des experts
Annotateurs reçus :
- SOP spécifiques à un domaine avec de vrais exemples de traînées, de débris et de faux positifs.
- Accès à une boucle de rétroaction avec des experts en orbite et des astrophysiciens.
- Des scores de précision gamifiés pour stimuler l’engagement et réduire la fatigue lors de longues sessions.
L’annotation a été effectuée par lots, et chaque lot a fait l’objet d’un processus d’assurance qualité par les pairs avec des audits périodiques à l’aveugle.
Contrôle qualité et gestion des versions
Les étiquettes ont été stockées avec :
- Métadonnées (source, résolution, horodatage, paramètres orbitaux)
- Scores de confiance
- ID de l’annotateur et statut de la révision
Cela a permis de réaliser des tests de régression rapides à mesure que les modèles évoluaient et que les normes d’annotation changeaient.
Découvrez comment FiftyOne permet de versionner, d’auditer et de visualiser des ensembles de données d’annotations complexes comme celui-ci.
Entraînement de modèles d’IA pour la détection d’objets orbitaux
Une fois que l’imagerie annotée a atteint une masse critique, la phase suivante a consisté à entraîner des modèles performants capables de détecter et de classer des objets orbitaux dans des conditions réelles. Voici comment le pipeline d’annotations a été traduit en informations exploitables sur l’apprentissage automatique.
Architecture et stratégie du modèle
Plusieurs architectures d’IA ont été évaluées et testées. Les plus réussies ont été les suivantes :
- YoloV8 (Vous ne regardez qu’une seule fois v8): Optimisé pour la détection de petits objets à l’aide d’un prétraitement de type satellite.
- Transformateurs de vision (ViT): Particulièrement utile pour les dépendances à long terme en imagerie spatiale, où les motifs d’objets sont rares et riches en contexte.
- Modèles spatio-temporels: Utilisé pour les flux vidéo afin de suivre le mouvement des objets sur plusieurs images.
Chaque modèle devait trouver l’équilibre précision, latence, et empreinte informatique, en particulier s’ils sont déployés dans des environnements périphériques tels que des satellites embarqués ou des stations au sol avec une puissance GPU limitée.
Augmentation de l’ensemble de données pour les conditions spatiales
Comme il était difficile de capturer des événements orbitaux rares (tels que des ruptures ou des rentrées incontrôlées), l’augmentation des données a joué un rôle essentiel. Les techniques utilisées étaient notamment les suivantes :
- Injection à stries synthétiques: ajout artificiel de traînées d’objets à des images vides pour apprendre aux modèles à utiliser le flou de mouvement.
- Changements de luminosité et de contraste: imitant la distorsion atmosphérique ou les différences d’étalonnage des télescopes.
- Simulation d’un champ d’étoiles: ajout de différentes densités d’étoiles pour éviter toute confusion avec les débris orbitaux.
Ces améliorations ont amélioré la robustesse du modèle pour diverses alimentations de capteurs et paramètres optiques.
Principales techniques d’entraînement
- Inférence basée sur des tuiles:
Les grandes images à haute résolution ont été divisées en petits carreaux à des fins d’entraînement. Cela a permis de détecter des micro-objets qui seraient autrement passés inaperçus dans les modèles plein format. - Pertes de cohérence temporelle:
En particulier dans le domaine de la vidéo, le modèle a été encouragé à faire des prédictions cohérentes d’une image à l’autre. Cela a permis de lisser les prévisions et de réduire le nombre de faux négatifs dus à des détections manquées lors de mouvements rapides d’objets. - Gestion des déséquilibres de classe:
Certaines classes (comme les satellites actifs connus) étaient surreprésentées par rapport à d’autres plus rares (comme les fragments ou les objets inconnus). Des techniques telles que la perte focale et la pondération des classes ont permis d’équilibrer l’entraînement et d’améliorer les performances des classes minoritaires. - L’apprentissage en groupe:
Un système de vote entre plusieurs modèles entraînés a amélioré la fiabilité dans les scénarios à haut risque, en particulier pour alerter les collisions potentielles. - Estimation de l’incertitude:
Le système ne s’est pas contenté de prédire ce qu’il détectait, il a également estimé son degré de confiance. Cela était crucial pour les opérateurs qui prenaient des décisions critiques sur la base des résultats de l’IA.
Déploiement et évaluation des modèles
Les modèles entraînés ont été intégrés dans un pipeline de surveillance en temps réel, qui traitait les flux en direct et déclenchait des alertes. Les paramètres d’évaluation comprenaient :
- Précision moyenne (mAP) à travers les classes d’objets
- Taux de faux positifs, particulièrement important pour éviter les manœuvres inutiles
- Temps de latence avant détection dans le cadre de charges de travail opérationnelles
Le projet a atteint les objectifs suivants :
- 89 % mAP dans des conditions de test avec des ensembles de données mixtes réels et synthétiques
- Temps d’inférence inférieur à 300 ms par image sur les modules NVIDIA Jetson
- Des faux positifs proches de zéro en conditions opérationnelles après des itérations de modèles ajustées par l’assurance qualité
Cela a prouvé que les données annotées n’étaient pas seulement utiles, elles étaient décisives.
Leçons apprises sur le terrain
Le parcours de formation sur les annotations et les modèles a révélé de profondes leçons qui vont bien au-delà de la technique :
L’annotation n’est pas seulement une étape de prétraitement, c’est une stratégie
De nombreux projets considèrent l’annotation comme un exercice consistant à cocher des cases. Mais dans le domaine de la surveillance orbitale, chaque étiquette a des conséquences opérationnelles. Un débris mal classé peut signifier un avertissement manqué. Un faux positif peut signifier une manœuvre satellite coûteuse et inutile. Dans cette étude de cas, l’annotation est devenue un investissement stratégique, et pas seulement technique.
Principaux points à retenir : L’intelligence de votre IA dépend de la pertinence de vos données.
La synergie homme-IA permet d’obtenir les meilleurs résultats
Le projet a grandement bénéficié du pré-étiquetage à l’aide de modèles faibles, ce qui a permis aux annotateurs humains de concentrer leur attention là où cela importait le plus. Mais l’automatisation complète n’était pas possible.
Les annotateurs ont signalé des modèles rares, ont débattu d’objets ambigus et ont introduit des informations sur un domaine qu’aucun modèle ne pouvait reproduire. À l’inverse, l’IA a contribué à réduire la fatigue et à mettre en évidence les cas oubliés.
Ce boucle de rétroaction symbiotique a assuré un rappel et une précision élevés sans surcharger les ressources humaines.
Le contexte aérospatial exige des experts du domaine
Les annotateurs prêts à l’emploi familiarisés avec les concepts généraux de la vision par ordinateur ont eu des difficultés lors de la première présentation de données orbitales. La confusion entre les étoiles et les débris, une mauvaise estimation des stries et une mauvaise évaluation des mouvements étaient monnaie courante.
Une fois que des annotateurs doués pour l’aérospatiale ont été recrutés et formés à l’aide de SOP spécifiques au domaine, la qualité a augmenté de façon exponentielle.
Leçon : Formez vos annotateurs comme vous formeriez vos pilotes. La précision est importante, et le contexte est primordial.
L’évolution des directives est un signe de maturité, pas d’échec
Initialement, le projet a été lancé avec un ensemble rigide de règles d’annotation. Mais les scénarios du monde réel ne sont pas conformes à des taxonomies précises. À mesure que de nouveaux cas extrêmes sont apparus, tels que des amas de débris ou des satellites déformés, les directives ont été révisées, parfois chaque semaine.
Au lieu de semer le chaos, ces itérations clarté améliorée, a donné confiance aux annotateurs et a adapté le système d’IA aux nouvelles réalités.
Meilleure pratique : Concevez votre manuel d’annotations sous la forme d’un document évolutif.
Les boucles de retour accélèrent tout
Ce projet a prospéré grâce à une itération rapide :
- Les annotateurs ont signalé des objets inconnus → revus par des experts orbitaux → ajoutés au kit d’entraînement.
- Le modèle n’a pas détecté de traînée → analysé → nouvelles augmentations ont été conçues.
- Les opérateurs ont remis en question les prévisions → expliquées par l’incertitude du modèle → améliorations apportées.
Cela a créé une boucle continue de apprentissage, étiquetage et amélioration des modèles—un cercle vertueux qui a poussé le système vers une qualité opérationnelle.
Impact plus large : soutenir la Space Situational Awareness (SSA)
Avec l’essor de mégaconstellations telles que Starlink, Kuiper et OneWeb, le maintien de la sécurité orbitale est désormais une priorité mondiale. Des ensembles de données annotés de haute qualité sont essentiels pour :
- Évaluations des risques de collision par les agences spatiales et les opérateurs commerciaux.
- Catalogage de nouveaux objets pas encore enregistré par les organismes internationaux.
- Surveillance géopolitique pour identifier et attribuer de nouveaux engins spatiaux.
Des projets tels que EU SST et U.S. Space Command utilisez des pipelines de données annotés pour créer des tableaux de bord SSA et partager des alertes en temps réel.
L’imagerie annotée n’est pas simplement un outil de formation, c’est une source de vérité qui éclaire la sécurité publique, la continuité commerciale et la diplomatie mondiale dans l’espace.
Vous travaillez sur des données orbitales ? Parlons-en
Si vous créez ou entraînez des modèles d’IA qui interagissent avec l’imagerie spatiale, ne vous contentez pas d’ensembles de données génériques. Qu’il s’agisse d’améliorer la connaissance de la situation, de détecter des débris ou de gérer une flotte de satellites, la qualité de vos annotations définira votre avantage.
Êtes-vous prêt à accélérer votre projet d’IA orbitale grâce à des annotations de précision ?
Collaborez et menez votre mission à la prochaine altitude. DataVLab pour découvrir des services d’annotation adaptés à vos cas d’usage liés à l’espace.
