Segmentation sémantique avec U-Net

Trois notebooks : exploration du dataset, U-Net de référence en PyTorch (chargement, transformations conjointes image/masque, métriques depuis la matrice de confusion), puis variante auto-distillée.

1. 01Données[dataset_visualisation.ipynb]

   Images leftImg8bit et annotations fines gtFine de Cityscapes, préparation des masques.

2. 02Métriques[model_unet_baseline.ipynb]

   mIoU et pixel accuracy calculés à partir de la matrice de confusion.

mIoU — U-Net de référence

0.284

mIoU — U-Net de référence

validation ; pixel accuracy 0,822[model_unet_baseline.ipynb (outputs)]

mIoU — variante auto-distillée

0.080

mIoU — variante auto-distillée

validation ; pixel accuracy 0,482[unet_selfdistill.ipynb (outputs)]

L’auto-distillation n’a pas amélioré le modèle dans cette expérience.

• Le notebook d’auto-distillation dépend de modules src/ et de checkpoints non publiés : non reproductible en l’état.
• mIoU de référence encore faible pour Cityscapes.