Ce que je dois faire
Ce que je dois faire
1. Les déchets à reconnaître
Le modèle doit apprendre à distinguer plusieurs catégories : plastique, papier-carton, verre et métal.
Quand on fait défiler la page, les déchets tombent sur le tapis : cela représente l’idée d’une caméra qui observe un vrai flux de déchets.
2. Le tapis roulant scanne les déchets
Ici, c’est le tapis roulant qui défile sous la caméra. Pendant que les déchets passent, le système scanne chaque objet et peut afficher une couleur (parcours A) ou commander un relais (parcours B) pour diriger le déchet vers le bon bac.
plastique
papier-carton
verre
métal
doute : l’IA n’est pas sûre, un humain vérifie
Les couleurs des vrais bacs de tri changent selon les communes. Dans l’atelier, chaque couleur représente un bac de notre installation, et vous pourrez en choisir une autre.
3. Pourquoi ce type d’outil est utile ?
Pour l’environnement
- mieux séparer les matières pour les recycler ;
- limiter les erreurs de tri, qui peuvent gêner le recyclage d’un lot entier ;
- réduire la quantité de déchets mal valorisés ;
- sensibiliser au geste de tri.
En ingénierie
- trier automatiquement des flux de déchets ;
- gagner du temps sur des tâches répétitives ;
- éviter aux personnes des gestes pénibles ou dangereux ;
- relier une décision de l’IA à une action concrète (trappe, distributeur…).
Étape 1 — Créer le dataset (photos)
Cette étape est commune aux deux parcours.
Prendre des photos
Prenez des photos avec un téléphone prêté pour l’atelier, ou avec le vôtre si c’est autorisé.
Il faut photographier plusieurs exemples de : plastique (bouteille, flacon), papier-carton (boîte, journal, emballage), verre (bocal, bouteille) et métal (canette, boîte de conserve).
Photographiez aussi des déchets froissés, écrasés ou un peu sales : dans la vraie vie, les déchets ne sont jamais neufs.
Très important : varier les photos
Si toutes les photos sont prises avec le même fond, le modèle risque de croire que le fond fait partie de l’objet à reconnaître.
Il faut donc varier :
- les fonds (table, sol, tapis…),
- les angles de vue,
- les distances,
- la lumière,
- la position du déchet dans l’image,
- l’état du déchet (neuf, écrasé, sale).
Faites aussi quelques photos sur le fond qui sera utilisé pour le test (le tapis ou la table du poste). C’est pour cela qu’il y a déjà d’autres photos dans le dossier : elles servent à rendre le modèle plus robuste.
Étape 2 — Préparer les photos et entraîner avec Teachable Machine
Copier les photos sur le PC
Sur l’ordinateur, un dossier AtelierIA sera disponible.
À l’intérieur, vous trouverez un dossier dataset_original.
Dans ce dossier, il y a déjà 4 sous-dossiers :
plastiquepapier_cartonverremetal
Il faut ajouter les photos prises pendant la séance dans les bons répertoires.
Préparer les photos
Dans le dossier AtelierIA, il y aura un exécutable
Preparation_Photos.exe.
Il sert à préparer les images pour l’entraînement :
- redimensionnement,
- recadrage,
- centrage sur l’objet d’intérêt.
L’objectif est d’obtenir un dossier dataset_prepare
propre et cohérent pour entraîner le modèle correctement.
Lancez le programme "Preparation_Photos" et cliquez sur "Vérifier les dossiers":
Ensuite cliquez sur "Lancer le traitement":
Créer les classes
Créez les classes correspondant aux déchets à reconnaître. C’est très intuitif.
- Plastique
- Papier-carton
- Verre
- Métal
Importer les images
À partir du dossier dataset_prepare,
faites glisser les lots d’images dans les classes correspondantes.
Entraîner le modèle
Lancez l’entraînement. Cela peut prendre un peu de temps.
Tester le modèle
Utilisez la webcam connectée au PC pour vérifier si la reconnaissance fonctionne correctement.
Si le résultat semble bon, appelez le professeur pour transférer le modèle sur la Raspberry Pi.
Exporter le modèle
Cliquez sur "Exporter le modèle", une fenêtre s'ouvre. Choisissez "Tensorflow Lite", et en fin, "Télécharger mon modèle".
Un fichier "zip" est téléchargé, il faut demander au professeur de le copier vers la Raspberry Pi.
Étape 3 — Utiliser le modèle sur la Raspberry Pi
Charger le modèle
Le professeur transférera le modèle sur la Raspberry Pi.
Choisir les couleurs
Sur l’interface, vous pourrez choisir la couleur associée à chaque type de déchet (par exemple jaune pour le plastique, bleu pour le papier-carton).
Lancer la reconnaissance
La caméra filme, le programme essaie de reconnaître le déchet, puis affiche la classe détectée ou la couleur choisie.
Observer le résultat
Vous vérifierez si le système fonctionne bien… ou non. Essayez avec un déchet écrasé, sale ou à moitié caché : créer une IA de reconnaissance fiable n’est pas facile !
Informations :
Ce projet d’IA de reconnaissance peut également faire intervenir d’autres domaines de l’informatique. En effet, il peut s’appuyer sur des réseaux informatiques pour assurer la circulation des données entre les différents appareils, capteurs ou serveurs nécessaires à son fonctionnement.
De plus, dans le cas d’une IA autonome, ce projet peut intégrer des commandes de systèmes automatisés. L’intelligence artificielle peut alors analyser son environnement, prendre une décision et envoyer des ordres à un système technique pour réaliser une action automatiquement.
Ce type de projet montre donc que l’intelligence artificielle peut être liée à la fois à la programmation, aux réseaux et à l’automatisation. C’est justement ce que fait le parcours B avec une carte relais pilotée en Modbus.
Étape 2 — Annoter les photos avec Roboflow
Pour un modèle de détection, il ne suffit pas de dire « cette image contient du plastique » : il faut montrer où se trouve chaque déchet. C’est le travail d’annotation.
Créer le projet
Ouvrez Roboflow (le professeur vous indiquera le compte à utiliser) et créez un projet de type détection d’objets (« Object Detection »).
Créez les classes : plastique, papier_carton, verre, metal.
Importer les photos
Faites glisser les photos prises à l’étape 1 dans le projet.
Dessiner les cadres
Sur chaque photo, tracez un rectangle serré autour de chaque déchet et choisissez sa classe. S’il y a trois déchets sur la photo, il faut trois cadres.
Créer une version du dataset
Dans l’onglet des versions, générez une version : répartition des images (entraînement, validation, test), taille des images en 640 × 640 pixels, et, si vous le souhaitez, quelques variations automatiques (luminosité, rotation).
Exporter le dataset
Exportez la version au format YOLO (YOLOv8 ou YOLO11 selon ce qui est proposé).
Vous obtenez un dossier avec les images, les cadres et un fichier data.yaml
qui décrit les classes.
Étape 3 — Entraîner et exporter le modèle YOLO
YOLO est une famille de modèles de détection d’objets rapides. L’entraînement demande beaucoup de calculs : il se fait sur un ordinateur puissant ou un service en ligne (par exemple Google Colab). Le professeur vous guide.
Lancer l’entraînement
Avec l’outil Ultralytics, à partir du dataset exporté :
yolo detect train model=yolo11n.pt data=data.yaml epochs=50 imgsz=640
Le modèle part d’un YOLO déjà entraîné (yolo11n.pt) et apprend vos quatre
classes de déchets. Plus il y a de photos variées, meilleur il sera.
Tester sur quelques images
Avant d’aller plus loin, vérifiez que les cadres sont au bon endroit :
yolo detect predict model=runs/detect/train/weights/best.pt source=images_de_testExporter au bon format
La reCamera attend un fichier ONNX à taille d’image fixe. Utilisez exactement ces réglages :
yolo export model=runs/detect/train/weights/best.pt format=onnx imgsz=640 opset=17 simplify=True dynamic=False
Vous obtenez un fichier best.onnx. Donnez-lui un nom avec un numéro
de version (par exemple dechets_v1.onnx) pour vous y retrouver.
Étape 4 — Déployer le modèle dans la reCamera
La reCamera est une caméra intelligente : l’IA tourne dans la caméra elle-même, sans ordinateur à côté. On parle d’IA embarquée.
Ouvrir l’interface de la caméra
Branchez la reCamera, puis ouvrez son interface web (le professeur donne l’adresse).
Envoyer le modèle
Dans la page de conversion des modèles (« Model Conversion »), cliquez sur
« Upload Model » et choisissez votre fichier .onnx.
Attendre la conversion
La reCamera convertit automatiquement le modèle dans son propre format
(.cvimodel). Cette conversion se fait en ligne : la caméra doit
avoir une connexion Internet stable pendant ce temps.
Utiliser le modèle
Cliquez sur « Use » pour choisir ce modèle, puis sur « Deploy » en haut à droite pour que le changement soit pris en compte.
Observer les détections
Ouvrez le « Dashboard » : vous voyez l’image de la caméra avec un cadre autour de chaque déchet, sa classe et sa confiance.
Si la conversion échoue, le plus souvent le modèle n’a pas été exporté avec les
réglages ci-dessus (taille fixe, opset=17) : refaites l’export.
Étape 5 — Piloter la carte relais dS378 en Modbus
Reconnaître un déchet ne suffit pas : il faut agir. La caméra va envoyer un ordre à une carte relais dS378, qui active un distributeur, une trappe ou un voyant.
Comprendre Modbus
Modbus est un langage très simple utilisé en industrie. Un appareil « maître » (ici la reCamera) envoie un ordre à un appareil « esclave » (ici la carte) : « mets le coil 1 à 1 ». La carte active alors son relais n° 1.
La dS378 est reliée par un câble Ethernet : c’est du Modbus TCP, sur le port 502.
Brancher la carte
Branchez d’abord le câble Ethernet, puis l’alimentation 12 V continu (1 A minimum, prise jack, + au centre). La LED bleue clignote 3 fois : la carte est prête.
Trouver son adresse IP
Sur un PC Windows, tapez http://dS378/index.htm dans la barre d’adresse
du navigateur : la page de commande des relais apparaît. Sinon, sans serveur DHCP,
la carte utilise l’adresse 192.168.0.123
(le PC doit alors être en 192.168.0.xxx).
Pour l’atelier, donnez à la carte une adresse fixe dans le même réseau que la reCamera (mêmes premiers nombres).
Activer Modbus
Les pages de réglage (/_config.htm) ne s’affichent que si un
câble USB est branché entre la carte et le PC (c’est une protection).
Dans l’onglet « TCP/IP » :
- cochez la commande Modbus ;
- laissez l’identifiant (UID) à
1; - choisissez le port
502.
Attendez que le voyant rouge « Update Pending » s’éteigne, puis appuyez brièvement sur le bouton Reset de la carte.
Régler la durée d’impulsion
Un distributeur n’a pas besoin de rester activé. Dans la configuration des relais,
la case « Pulse/Follow » permet d’indiquer une durée en millisecondes
(minimum 100 ms) : le relais se coupe tout seul à la fin.
Par exemple 1000 pour 1 seconde.
Pensez à vérifier ce comportement lors du test final.
Brancher le distributeur
Chaque relais est un interrupteur à trois bornes : commun (C), normalement ouvert (NO) et normalement fermé (NC). Le relais ne fournit pas de courant : on place le distributeur en série avec sa propre alimentation, entre C et NO.
Relier la caméra à la carte
L’interface de la reCamera est un éditeur Node-RED (celui où vous avez cliqué sur « Deploy »). On y construit le trajet de l’information :
- caméra puis modèle YOLO : ils produisent les détections ;
- un nœud de filtre : on ne garde que les détections dont la confiance est assez haute ;
- un nœud de choix : un chemin par classe de déchet ;
- un nœud Modbus-Write par classe, qui écrit dans le coil du relais correspondant ;
- une connexion Modbus vers la carte : type TCP, adresse IP de la dS378, port 502, identifiant 1.
Si les nœuds Modbus n’apparaissent pas dans la liste, le professeur peut ajouter le paquet
node-red-contrib-modbus depuis le menu « Manage palette ».
Pour éviter que le relais s’active plusieurs fois par seconde sur le même déchet,
on peut aussi limiter la cadence avec un nœud « delay ».
Tableau de correspondance
D’après la documentation de la carte, les coils 1 à 8 correspondent aux relais 1 à 8. Notre installation utilise les quatre premiers :
| Classe détectée | Bac | Relais dS378 | Coil Modbus |
|---|---|---|---|
| Plastique | Jaune | 1 | 1 |
| Papier-carton | Bleu | 2 | 2 |
| Verre | Vert | 3 | 3 |
| Métal | Gris | 4 | 4 |
Test : présentez un déchet à la caméra. Le bon relais doit cliqueter et sa petite LED rouge s’allumer. Si c’est le relais voisin qui réagit, c’est que l’outil numérote les coils à partir de 0 : décalez l’adresse d’un cran.
Réflexion — penser comme un·e ingénieur·e
Vous venez de construire un petit système capable de « reconnaître » des déchets. Avant de continuer, prenez quelques minutes — seul·e ou en groupe — pour réfléchir à ce que ce genre de système pourrait rendre possible ailleurs. C’est exactement ce que fait un·e ingénieur·e au début d’un projet : imaginer des usages avant de construire.
Observation Où as-tu déjà croisé ça ?
Où as-tu déjà vu, ou pourrais-tu imaginer, une machine qui reconnaît automatiquement quelque chose : un déchet, une bouteille, un billet, un visage, un colis ? Fais-en une liste avec ton groupe.
Limites & risques Et si l’IA se trompe ?
Imagine qu’une bouteille en plastique soit envoyée dans le bac du verre. Que se passe-t-il ensuite ? Qui est concerné par cette erreur ? Que faire quand l’IA hésite : tout envoyer au hasard, ou mettre l’objet de côté pour qu’un humain vérifie ? Pourquoi la couleur rouge « doute » peut-elle être utile ?
Données Pourquoi autant de photos différentes ?
Un déchet réel peut être écrasé, sale, sans étiquette ou à moitié caché. Si tu entraînes l’IA seulement avec des objets neufs et propres sur une table blanche, que va-t-il se passer au moment du test ? Quelles photos faudrait-il ajouter pour que le système marche vraiment ?
De la décision à l’action Comment l’IA fait-elle bouger quelque chose ?
Un système automatisé suit souvent quatre étapes : acquérir une information (la caméra), la traiter (l’IA), la communiquer (un message sur le réseau) puis agir (un relais, une trappe, un distributeur). Retrouve ces quatre étapes dans notre installation. Que se passerait-il si l’une d’elles tombait en panne ?
Impact Est-ce vraiment écologique ?
Une machine qui trie consomme de l’énergie et a demandé des matériaux pour être fabriquée. Comment savoir si elle apporte plus de bien que de mal à l’environnement ? Quelles informations faudrait-il mesurer pour en juger ?
Conception Imagine ta propre machine
Si tu devais concevoir une machine qui utilise ce genre d’IA, à quoi ressemblerait-elle et à quoi servirait-elle ? Une poubelle de cantine qui guide le tri, un distributeur qui récompense le bon geste, un bac qui prévient quand il est plein, un autre usage ? Décris-la en quelques phrases, ou fais-en un petit croquis.
Mini démo d’IA
Cette démonstration simule le principe d’une reconnaissance automatique. Dans un vrai système, le modèle compare ce qu’il voit avec de nombreux exemples déjà appris. Ici, un seuil de confiance de 60 % décide si l’IA agit ou si elle demande l’avis d’un humain.
Résultat de l’IA
Clique sur un bouton pour lancer une reconnaissance.
L’IA observe la forme générale du déchet et propose une catégorie.
Pour aller plus loin
Si vous allez vite, plusieurs défis sont possibles :
- ajouter une classe « autre déchet » pour les ordures ménagères ;
- comparer un modèle entraîné avec peu de photos et un modèle entraîné avec beaucoup de photos variées ;
- changer le seuil de confiance et observer l’effet sur les erreurs ;
- tester un autre modèle, par exemple la reconnaissance de formes géométriques (carré, triangle, cercle, rectangle).
Vous pourrez refaire la même démarche : photos, classes, entraînement, test.