# Une image peut produire deux ID d’image COCO

Dans une conversion contrôlée avec Label Studio SDK 2.1.2, deux jugements de boîte valides pour une tâche et une image locale ont généré deux ID d’image COCO. Les deux lignes d’image comportaient exactement le même chemin de fichier. Chaque boîte référençait un ID d’image généré différent. L’index Python COCO à version épinglée répertoriait ensuite les deux ID séparément. Dans ce jeu d’essai, avec `LABEL_STUDIO_FORCE_ANNOTATOR_EXPORT` non défini, les lignes de boîte comportaient des ID d’annotation générés et omettaient les ID du jugement et de l’acteur d’origine. [Lignes d’image du convertisseur](https://github.com/HumanSignal/label-studio-sdk/blob/c20c899aaaa302740dacd46a47e5774bb677561f/src/label_studio_sdk/converter/converter.py#L767-L830) · [Lignes de boîte](https://github.com/HumanSignal/label-studio-sdk/blob/c20c899aaaa302740dacd46a47e5774bb677561f/src/label_studio_sdk/converter/converter.py#L885-L936) · [Index COCO](https://github.com/ppwwyyxx/cocoapi/blob/2971b0430e0990f119c60c8708ca66d4a5fed5d0/PythonAPI/pycocotools/coco.py#L89-L117) · [ID d’image non filtrés](https://github.com/ppwwyyxx/cocoapi/blob/2971b0430e0990f119c60c8708ca66d4a5fed5d0/PythonAPI/pycocotools/coco.py#L177-L196)

| Source pour une image | Résultat COCO | Index COCO non filtré |
| --- | --- | --- |
| Deux jugements divergents | Deux lignes pour le même chemin, avec le résultat B sur l’ID 0 et A sur l’ID 1 | ID 0 et 1 |
| Deux jugements concordants | Deux lignes pour le même chemin, avec le résultat A sur les deux ID | ID 0 et 1 |
| Un jugement sélectionné | Une ligne pour le chemin, avec le résultat A sur l’ID 0 | ID 0 |

Le convertisseur produit un élément par jugement admissible. Dans la branche testée, il attribue un ID d’image et ajoute une nouvelle entrée d’image pour chaque élément. Les jugements concordants comme divergents ont produit deux ID. Le [jeu d’essai YOLO associé](https://sapien1.com/fr/research/annotation-export-yolo-coco/README.md) envoie deux jugements divergents pour une image vers un seul chemin de sortie, où l’écriture réussie du jugement le plus ancien remplace celle du plus récent. Comptez les chemins d’image distincts livrés et vérifiez la correspondance entre les jugements source et les images lorsqu’un jeu de données doit contenir une ligne par image sous-jacente. Des ID numériques uniques ne suffisent pas à vérifier cette propriété. Le score d’une évaluation dépend de la façon dont le programme appelant utilise les ID, et aucun score n’a été mesuré ici. [Projection d’annotation commune](https://github.com/HumanSignal/label-studio-sdk/blob/c20c899aaaa302740dacd46a47e5774bb677561f/src/label_studio_sdk/converter/converter.py#L593-L653)

Exécutez `python3 -B check-coco-identity.py | cmp - coco-identity-observations.json` en activant la détection des échecs dans le pipeline. Le [vérificateur](https://sapien1.com/research/annotation-export-yolo-coco/check-coco-identity.py), SHA-256 `fb6f5a0eb3b8f269576353203f40e81b46515e55182f9b377b45ba34e4925d82`, utilise exactement la projection d’annotation, la géométrie des rectangles et le module d’écriture COCO du SDK à version épinglée, ainsi que l’index et la requête d’ID exacts du code source Python COCO à version épinglée. Un substitut local de taille d’image fournit les dimensions 100 sur 100 pour une image fictive fixe. Le relevé compare le chemin complet de l’image source avant de le normaliser en un nom de fichier stable. Deux exécutions locales et une reproduction indépendante ont produit des résultats identiques octet par octet pour les trois cas. [Observations enregistrées](https://sapien1.com/research/annotation-export-yolo-coco/coco-identity-observations.json), SHA-256 `bb4b13aae5a7c471507f1ebcdb9cac2dcd7c2fe62f232489b0a00078ec12e222`.

Un rapport antérieur documente l’effet du jugement le plus ancien dans YOLO. La recherche sur COCO a permis de trouver des signalements connexes concernant des résultats vides ambigus et des annotations supplémentaires issues de masques de pinceau détachés. Cette étude pilote vérifie les ID d’image pour plusieurs jugements portant sur une même image. Elle utilise du code public à version épinglée du SDK sous licence Apache-2.0 et de COCO sous licence BSD, récupéré à l’exécution, et fournit son propre code et des résultats fictifs. L’application installée, le décodage des médias, l’entraînement du modèle et l’évaluation restent hors du périmètre du jeu d’essai. [Rapport YOLO antérieur](https://github.com/HumanSignal/label-studio/issues/5421) · [Problème des résultats COCO vides](https://github.com/HumanSignal/label-studio/issues/9774) · [Problème des masques de pinceau](https://github.com/HumanSignal/label-studio/issues/7737) · [Licence du SDK](https://github.com/HumanSignal/label-studio-sdk/blob/c20c899aaaa302740dacd46a47e5774bb677561f/LICENSE) · [Licence COCO](https://github.com/ppwwyyxx/cocoapi/blob/2971b0430e0990f119c60c8708ca66d4a5fed5d0/license.txt)

Pour exécuter le vérificateur COCO, enregistrez le [vérificateur YOLO (check.py)](https://sapien1.com/research/annotation-export-yolo-coco/check.py) dans le même répertoire. Pour reproduire l’étude associée, comparez sa sortie aux [observations YOLO (JSON)](https://sapien1.com/research/annotation-export-yolo-coco/observations.json).
