Une histoire des modèles de vision

Qu'est-ce que la vision par ordinateur ?

Imaginez entrer dans un magasin où une caméra identifie votre visage, analyse votre humeur et suggère des produits adaptés à vos préférences, le tout en temps réel. Ce n'est pas de la science-fiction, mais une réalité rendue possible par les modèles de vision modernes. Selon un rapport de Fortune Business Insight, la taille du marché mondial de la vision par ordinateur était évaluée à 20,31 milliards de dollars américains en 2023 et devrait passer de 25,41 milliards de dollars américains en 2024 à 175,72 milliards de dollars américains d'ici 2032, ce qui témoigne des progrès rapides et de l'adoption croissante de cette technologie dans divers secteurs.

Le domaine de la vision par ordinateur permet aux ordinateurs de détecter, d'identifier et d'analyser des objets dans des images. Semblable à d'autres domaines liés à l'IA, la vision par ordinateur a connu une évolution rapide au cours des dernières décennies, réalisant des progrès remarquables. 

L'histoire de la vision par ordinateur est vaste. Dans ses premières années, les modèles de vision par ordinateur étaient capables de détecter des formes et des contours simples, souvent limités à des tâches de base comme la reconnaissance de motifs géométriques ou la différenciation entre les zones claires et sombres. Cependant, les modèles d'aujourd'hui peuvent effectuer des tâches complexes telles que la détection d'objets en temps réel, la reconnaissance faciale et même l'interprétation des émotions à partir des expressions faciales avec une précision et une efficacité exceptionnelles. Cette progression spectaculaire met en évidence les incroyables progrès réalisés en matière de puissance de calcul, de sophistication algorithmique et de disponibilité de vastes quantités de données pour l'entraînement.

Dans cet article, nous explorerons les principales étapes de l'évolution de la vision par ordinateur. Nous voyagerons à travers ses débuts, nous plongerons dans l'impact transformateur des réseaux neuronaux convolutifs (CNN) et nous examinerons les avancées significatives qui ont suivi.

Les débuts de la vision par ordinateur

Comme pour les autres domaines de l'IA, le développement initial de la vision par ordinateur a commencé par des recherches fondamentales et des travaux théoriques. Une étape importante a été le travail de pionnier de Lawrence G. Roberts sur la reconnaissance d'objets 3D, documenté dans sa thèse "Machine Perception of Three-Dimensional Solids" au début des années 1960. Ses contributions ont jeté les bases des progrès futurs dans le domaine.

Les premiers algorithmes - détection des contours

Les premières recherches en vision par ordinateur se sont concentrées sur les techniques de traitement d'image, telles que la détection de contours et l'extraction de caractéristiques. Des algorithmes comme l'opérateur de Sobel, développé à la fin des années 1960, ont été parmi les premiers à détecter les contours en calculant le gradient de l'intensité de l'image.

‍

‍

‍

Des techniques comme les détecteurs de contours de Sobel et de Canny ont joué un rôle crucial dans l'identification des limites au sein des images, ce qui est essentiel pour la reconnaissance d'objets et la compréhension des scènes.

Apprentissage automatique et vision par ordinateur

Reconnaissance de formes

Dans les années 1970, la reconnaissance de formes est apparue comme un domaine clé de la vision par ordinateur. Les chercheurs ont développé des méthodes pour reconnaître les formes, les textures et les objets dans les images, ce qui a ouvert la voie à des tâches de vision plus complexes.

‍

L'une des premières méthodes de reconnaissance de formes impliquait la correspondance de modèles, où une image est comparée à un ensemble de modèles pour trouver la meilleure correspondance. Cette approche était limitée par sa sensibilité aux variations d'échelle, de rotation et de bruit.

‍

Les premiers systèmes de vision par ordinateur étaient limités par la puissance de calcul limitée de l'époque. Les ordinateurs des années 1960 et 1970 étaient volumineux, coûteux et avaient des capacités de traitement limitées.

Changer la donne avec l'apprentissage profond

Apprentissage profond et réseaux neuronaux convolutifs

L'apprentissage profond et les réseaux neuronaux convolutifs (CNN) ont marqué un tournant décisif dans le domaine de la vision par ordinateur. Ces avancées ont considérablement transformé la façon dont les ordinateurs interprètent et analysent les données visuelles, permettant ainsi un large éventail d'applications que l'on pensait auparavant impossibles.

Comment fonctionnent les CNN ?

‍

1. Couches de convolution : Les CNN utilisent des couches de convolution qui sont un type de modèle d'apprentissage profond conçu pour traiter des données structurées en grille, telles que des images ou des séquences, en apprenant automatiquement des motifs hiérarchiques, afin d'analyser une image à l'aide de filtres ou de noyaux. Ces filtres détectent diverses caractéristiques telles que les bords, les textures et les couleurs en glissant sur l'image et en calculant des produits scalaires. Chaque filtre active des motifs spécifiques dans l'image, permettant au modèle d'apprendre des caractéristiques hiérarchiques.
   ‍
2. Fonctions d'activation: Après la convolution, les fonctions d'activation comme ReLU (Rectified Linear Unit) qui est une fonction d'activation populaire dans l'apprentissage profond qui sort l'entrée directement si elle est positive, et zéro sinon, aidant les réseaux neuronaux à apprendre efficacement les relations non linéaires dans les données. Cela aide le réseau à apprendre des modèles et des représentations complexes.
   ‍
3. Couches de pooling : Les couches de pooling fournissent une opération de sous-échantillonnage qui réduit la dimensionnalité de la carte des caractéristiques, ce qui permet d'extraire les caractéristiques les plus pertinentes tout en réduisant les coûts de calcul et le surapprentissage.
   ‍
4. Couches entièrement connectées : Les couches finales d'un CNN sont des couches entièrement connectées qui interprètent les caractéristiques extraites par les couches convolutionnelles et de pooling pour faire des prédictions. Ces couches sont similaires à celles des réseaux neuronaux traditionnels.

‍Évolution des modèles de vision CNN

‍Le parcours des modèles de vision a été long, avec certains des plus notables :

• LeNet (1989) : LeNet a été l'une des premières architectures de CNN, principalement utilisée pour la reconnaissance des chiffres dans les chèques manuscrits. Son succès a jeté les bases de CNN plus complexes, prouvant le potentiel de l'apprentissage profond dans le traitement d'images.
  ‍
• AlexNet (2012) : AlexNet a surpassé de manière significative les modèles existants lors de la compétition ImageNet, démontrant ainsi la puissance de l’apprentissage profond. Ce modèle utilisait les activations ReLU, le dropout et l’augmentation des données, établissant de nouvelles références en matière de classification d’images et suscitant un intérêt généralisé pour les CNN.
  ‍
• VGGNet (2014) : En utilisant des filtres convolutionnels plus petits (3x3), VGGNet a obtenu des résultats impressionnants dans les tâches de classification d’images, renforçant ainsi l’importance de la profondeur du réseau pour obtenir une plus grande précision.
  

• ResNet (2015) : ResNet a résolu le problème de dégradation dans les réseaux profonds en introduisant l’apprentissage résiduel. Cette innovation a permis l’entraînement de réseaux beaucoup plus profonds, conduisant à des performances de pointe dans diverses tâches de vision par ordinateur.
  ‍
• YOLO (You Only Look Once) : YOLO a révolutionné la détection d'objets en la considérant comme un problème de régression unique, prédisant directement les boîtes englobantes et les probabilités de classe à partir d'images complètes en une seule évaluation. Cette approche a permis la détection d'objets en temps réel avec une vitesse et une précision sans précédent, ce qui la rend adaptée aux applications nécessitant un traitement instantané, telles que la conduite autonome et la surveillance.

‍Applications de vision par ordinateur

Santé

‍Les utilisations de la vision par ordinateur sont nombreuses. Par exemple, les modèles de vision tels que Ultralytics YOLOv8 sont utilisés en imagerie médicale pour détecter des maladies telles que le cancer et la rétinopathie diabétique. Ils analysent les radiographies, les IRM et les scanners avec une grande précision, identifiant les anomalies précocement. Cette capacité de détection précoce permet des interventions rapides et améliore les résultats pour les patients.

‍

Préservation de l'environnement

Les modèles de vision par ordinateur aident à surveiller et à protéger les espèces menacées en analysant les images et les vidéos des habitats fauniques. Ils identifient et suivent le comportement des animaux, fournissant des données sur leur population et leurs mouvements. Cette technologie éclaire les stratégies de conservation et les décisions politiques visant à protéger des espèces comme les tigres et les éléphants.

Grâce à l'IA de vision, d'autres menaces environnementales telles que les incendies de forêt et la déforestation peuvent être surveillées, assurant des temps de réponse rapides de la part des autorités locales.

‍

Défis et orientations futures

Même s'ils ont déjà réalisé des progrès importants, en raison de leur extrême complexité et de la nature exigeante de leur développement, les modèles de vision sont confrontés à de nombreux défis qui nécessitent des recherches continues et des avancées futures.

Interprétabilité et explicabilité

Les modèles de vision, en particulier ceux d'apprentissage profond, sont souvent considérés comme des "boîtes noires" avec une transparence limitée. Cela est dû à la complexité de ces modèles. Le manque d'interprétabilité entrave la confiance et la responsabilité, en particulier dans les applications critiques comme les soins de santé, par exemple.

Exigences de calcul

L'entraînement et le déploiement de modèles d'IA de pointe exigent des ressources de calcul importantes. Cela est particulièrement vrai pour les modèles de vision, qui nécessitent souvent le traitement de grandes quantités de données d'images et de vidéos. Les images et vidéos haute définition, qui figurent parmi les entrées d'entraînement les plus gourmandes en données, augmentent la charge de calcul. Par exemple, une seule image HD peut occuper plusieurs mégaoctets de stockage, ce qui rend le processus d'entraînement gourmand en ressources et chronophage.

Cela nécessite un matériel puissant et des algorithmes de vision par ordinateur optimisés pour traiter les données volumineuses et les calculs complexes impliqués dans le développement de modèles de vision efficaces. La recherche sur des architectures plus efficaces, la compression de modèles et les accélérateurs matériels tels que les GPU et les TPU sont des domaines clés qui feront progresser l'avenir des modèles de vision.

Ces améliorations visent à réduire les besoins de calcul et à accroître l'efficacité du traitement. De plus, l'utilisation de modèles pré-entraînés avancés tels que YOLOv8 peut considérablement réduire le besoin d'une formation approfondie, rationalisant ainsi le processus de développement et améliorant l'efficacité.

Un paysage en constante évolution

Aujourd'hui, les applications des modèles de vision sont très répandues, allant des soins de santé, comme la détection de tumeurs, aux utilisations quotidiennes comme la surveillance du trafic. Ces modèles avancés ont apporté l'innovation à d'innombrables industries en fournissant une précision, une efficacité et des capacités améliorées qui étaient auparavant inimaginables.

À mesure que la technologie continue de progresser, le potentiel des modèles de vision pour innover et améliorer divers aspects de la vie et de l'industrie reste illimité. Cette évolution constante souligne l'importance de la poursuite de la recherche et du développement dans le domaine de la vision par ordinateur.

L'avenir de la vision IA vous intéresse-t-il ? Pour plus d'informations sur les dernières avancées, explorez la documentation Ultralytics, et consultez leurs projets sur Ultralytics GitHub et YOLOv8 GitHub. De plus, pour avoir un aperçu des applications de l'IA dans divers secteurs, les pages de solutions sur les voitures autonomes et l'industrie manufacturière offrent des informations particulièrement utiles.