Traitement d’une session drone

Ce tutoriel décrit le workflow complet de traitement d’une session drone, depuis la récupération des images brutes jusqu’à la préparation finale des données pour un dépôt sur Zenodo, en s’appuyant sur les outils développés dans le cadre du projet Seatizen.

1. Récupération des données du drone

La première étape consiste à extraire les images depuis la carte mémoire du drone.

⚠️ Contraintes importantes :

  • Les vidéos ne sont pas utilisables dans ce workflow.
  • Les vidéos ne permettent pas de récupérer des métadonnées GPS exploitables.
  • Il est indispensable de travailler avec des images contenant des métadonnées GPS (EXIF).

2. Organisation des images (dossier DCIM)

Toutes les images doivent être regroupées dans un dossier nommé :

DCIM/

Points de vigilance

  • Certains drones répartissent les images dans plusieurs sous-dossiers.
  • Il peut exister des images avec le même nom.
  • Si toutes les images sont copiées dans un seul dossier sans renommage, elles risquent de s’écraser.

👉 Avant de poursuivre :

  • Vérifiez les doublons,
  • Renommez les fichiers si nécessaire.

3. Production de l’orthophoto avec OpenDroneMap (ODM)

L’orthophoto est un élément central du workflow, notamment pour les étapes d’intelligence artificielle.

Nous recommandons donc d’exécuter OpenDroneMap (ODM) en premier.

Paramètres ODM utilisés

Voici les paramètres OpenDroneMap utilisés dans notre workflow :

--project-path /datasets/code/PROCESSED_DATA/PHOTOGRAMMETRY \
--auto-boundary \
--cog \
--orthophoto-resolution 1.0 \
--rolling-shutter \
--use-exif \
--max-concurrency 128 \
--fast-orthophoto \
--optimize-disk-space \
--feature-quality ultra

Ces paramètres permettent notamment :

  • l’utilisation des métadonnées EXIF,
  • la génération d’une orthophoto optimisée (COG),
  • une résolution de 1 m,
  • une optimisation des performances et de l’espace disque,
  • une qualité élevée pour la détection des points caractéristiques.

4. Exécution d’ODM sur Datarmor (script PBS)

Dans notre cas d’usage, les calculs sont effectués sur le cluster Datarmor.

Transfert des données

  • Les données sont envoyées sur Datarmor via FileZilla (ou équivalent).
  • Une fois les données disponibles sur le cluster, ODM est lancé via un script PBS.

Script PBS ODM

Le script PBS utilisé est disponible ici :

👉 Script ODM Datarmor https://github.com/SeatizenDOI/datarmor-pbs/blob/master/odm/drone/drone_serge_may2025.pbs

Ce script :

  • configure l’environnement Datarmor,
  • lance OpenDroneMap avec les paramètres adaptés,
  • gère l’exécution sur les nœuds de calcul du cluster.

5. Workflow d’extraction des métadonnées

Une fois l’orthophoto générée, nous appliquons le workflow drone-workflow afin d’extraire et structurer les métadonnées des images.

Commande Datarmor

echo "Working with ${SESSION_PATH}"

singularity run \
  --pwd /home/seatizen/app/ \
  --bind ${PATH_DRONE_FOLDER}:/home/seatizen/sessions \
  drone_workflow.sif \
  -efol \
  -pfol /home/seatizen/sessions \
  -c \
  -ip ${PBS_ARRAY_INDEX}

Ce workflow permet de :

  • lire les images et leurs métadonnées GPS,
  • structurer les informations de session,
  • préparer les fichiers nécessaires aux étapes suivantes.

6. Inférence automatique sur les images

Une première étape d’inférence est ensuite réalisée à l’aide du conteneur drone-inference.

Commande Datarmor

singularity run --nv \
  --pwd /home/seatizen/app/ \
  --bind /home1/datawork/villien/models:/home/seatizen/app/models \
  --bind ${PATH_DRONE_FOLDER}:/home/seatizen/sessions \
  --bind /home1/scratch/villien/:/tmp/ \
  drone_inference.sif \
  -efol \
  -pfol /home/seatizen/sessions \
  -c \
  -ip ${PBS_ARRAY_INDEX}

Cette étape permet :

  • d’exploiter les modèles pré-entraînés,
  • d’appliquer une première analyse automatique sur les images,
  • de produire des sorties intermédiaires pour la segmentation finale.

7. Segmentation avec The Point Is The Mask

La segmentation fine est réalisée avec l’outil The Point Is The Mask, basé sur une intelligence artificielle de segmentation.

Activation de l’environnement Conda

cd /home1/datahome/villien/project_hub/the-point-is-the-mask

. /appli/anaconda/latest/etc/profile.d/conda.sh
conda activate /home1/datawork/villien/conda-env/segment_env

Lancement de l’inférence de segmentation

python3 inference.py \
  -eses \
  -pses ${SESSION_PATH} \
  -po /home1/scratch/villien/drone_uav_tmp \
  -psm ./models/SegForCoral-b2-2025_06_30_19127-bs16_refine \
  --is_seatizen_session

Cette étape :

  • segmente l’orthophoto,
  • réalise des prédictions sur 5 classes,
  • génère des masques exploitables pour l’analyse et l’annotation.

8. Dépôts GitHub à consulter

Pour comprendre et adapter chaque étape du workflow, nous vous invitons à consulter les dépôts suivants :

9. Préparation finale pour Zenodo

Une fois toutes les étapes terminées :

  • orthophoto produite,
  • métadonnées structurées,
  • segmentation réalisée,

👉 la session drone est complète et prête à être déposée sur Zenodo.