H
← Retour aux solutions
Modèle★ 2ᵉ place

Détection multi-véhicules 3LC

Notre premier modèle open-source. 2ᵉ place au 3LC Multi-Vehicle Detection Challenge — un YOLOv8n gelé, où la seule marge de progression était la qualité des données.

★
Résultat officiel
2ᵉ / 192 équipes

« Travail data-centric bien documenté, et une performance solide récurrente. »

LB privé0.92016
Rang brut14 / 192
Rang éligibles2ᵉ
Δ vs baseline+0.38
Ce qui a fait la différence

Quatre leviers, tous sur la donnée.

+0.21Grille de revueLes labels revus à la main depuis les prédictions calculées par 3LC — seules les boîtes ambiguës remontent à l'humain.
+0.17Découpage séquenceTrain et val disjoints par séquence : fin des fuites de frames quasi-identiques. La validation redevient honnête.
3LCPoids d'échantillonnageRééquilibrage des classes rares par ligne, via les sampling weights de 3LC — sans augmentation synthétique.
HDBSCANDifficulté visuelleClustering des embeddings 3LC : on oversample les régions dures (contre-jour, nuit, occlusion), pas les classes.
Le parcours

De 0.543 à 0.928, sans jamais toucher au modèle.

baselineStarter, 10 époques.0.543
v3Labels revus à la main.0.755
v5Découpage séquence + poids 3LC.0.927
v7Pondération par difficulté.0.927
v12100 % des données annotées. Soumission gagnante.0.928
La méthode

Gagner des points sans bouger le modèle.

01
Réviser
Faire trancher un humain sur les labels ambigus — la confiance du modèle seule est un mauvais signal.
02
Mesurer honnêtement
Un découpage sans fuite : un gain qui ne se transfère pas au leaderboard est un signal, pas un hasard.
03
Choisir robuste
Modéliser le décrochage public→privé et viser des modes d'échec diversifiés, pas le meilleur score public.
Modèle
YOLOv8n · from scratch
Entrée
640 px
LB privé
0.92016
Rang
2ᵉ · éligibles

Le modèle, le code et le parcours sont ouverts.

Testez la détection sur vos propres images, ou plongez dans le pipeline data-centric complet.

▶Ouvrir la démoVoir le code