Résumé:
Ce mémoire s'intéresse à la sécurisation des passages à niveau par la détection et le suivi en temps réel de deux catégories d'objets critiques : les piétons et les véhicules immobilisés sur les rails. Nous proposons une approche basée sur des variantes de l'algorithme YOLOV8 (You Only Look Once) pour la détection et la classification d'objets, combiné à DeepSORT (Deep Simple Online and Realtime Tracking) pour le suivi multi-objets. Notre approche a été évaluée sur la base de données COCO2017, répartie selon une proportion de 75% pour l'entraînement, 15% pour la validation et 15% pour les tests. Une augmentation des données a été appliquée dynamiquement durant l'apprentissage. Après optimisation des hyper- paramètres, le modèle a atteint les performances suivantes : Précision: 82,42%, Rappel : 75,27%, F1-score: 78,68%, mAP@50 82,61%, mAP@50-95 66,45%. Une interface graphique à base de python été conçue pour capturer le moindre mouvement.
Mot clé: Détection, classification, poursuite, YOLOV8, DeepSORT, apprentissage profond, COCO2017, en temps réel.
