L’apprentissage actif accélère le développement de la vision par ordinateur

Entraîner un modèle de vision par ordinateur ressemble beaucoup à apprendre à un enfant à reconnaître les couleurs. Il faut d’abord réunir une collection d’objets colorés. Ensuite, tu guides l’enfant pour qu’il identifie correctement chaque couleur, une tâche souvent à la fois longue et répétitive.

Tout comme un enfant a besoin de nombreux exemples pour apprendre, un modèle de vision a besoin d’un vaste ensemble de données annotées pour reconnaître des motifs et des objets dans les images. Cependant, annoter de grandes quantités de données demande beaucoup de temps et d’efforts, sans compter les ressources nécessaires. Des techniques comme l’apprentissage actif peuvent simplifier ce processus.

L’apprentissage actif est un processus étape par étape qui consiste à sélectionner et à annoter les données les plus importantes d’un vaste jeu de données. Le modèle apprend à partir de ces données annotées, ce qui améliore sa précision et son efficacité. En se concentrant uniquement sur les données les plus utiles, on réduit le volume d’annotations nécessaire et on accélère le développement du modèle.

Dans cet article, nous allons voir comment l’apprentissage actif contribue à l’entraînement des modèles, réduit les coûts d’annotation et améliore la précision globale du modèle.

Créer des jeux de données d’images n’est pas chose facile#

Les jeux de données sont à la base des modèles de vision par ordinateur et d’apprentissage profond. Des jeux de données populaires comme ImageNet proposent des millions d’images couvrant diverses catégories d’objets. Cependant, créer et maintenir d’aussi grands volumes de jeux de données de haute qualité comporte plusieurs difficultés.

Par exemple, la collecte et l’annotation des données prennent du temps et nécessitent des ressources ainsi que des annotateurs qualifiés, ce qui rend le processus difficile selon l’application visée. Des solutions innovantes et plus efficaces sont nécessaires pour répondre à la demande croissante de jeux de données d’images, et c’est précisément ce que l’apprentissage actif vise à résoudre.

L’apprentissage actif répond à ce problème en optimisant le processus d’annotation des données. En sélectionnant stratégiquement les données les plus informatives à annoter, l’apprentissage actif maximise les performances du modèle tout en réduisant l’effort d’annotation.

Qu’est-ce que l’apprentissage actif ?#

L’apprentissage actif est une technique itérative d’apprentissage automatique dans laquelle le modèle sélectionne les points de données les plus importants à annoter parmi un vaste ensemble de données non annotées. Ces points de données sont annotés manuellement, puis ajoutés au jeu de données d’entraînement.

Le modèle est ensuite réentraîné sur le jeu de données mis à jour et sélectionne le prochain ensemble de points de données à annoter. Le processus se répète, le modèle s’améliorant continuellement en se concentrant sur les points de données les plus informatifs. Le cycle se poursuit jusqu’à ce que le modèle atteigne la précision souhaitée ou respecte les critères d’annotation définis au préalable.

Fig 1. Présentation de l’apprentissage actif.

Comprendre le fonctionnement de l’apprentissage actif#

Tu te demandes peut-être comment l’apprentissage actif détermine quelles données doivent être annotées manuellement et lesquelles annoter ensuite. Pour comprendre son fonctionnement, comparons-le aux révisions avant un examen : tu te concentres sur les sujets qui te posent problème et tu veilles aussi à étudier une variété de thèmes pour être bien préparé.

Pour sélectionner les données initiales, l’apprentissage actif utilise des stratégies comme l’échantillonnage par incertitude et l’échantillonnage fondé sur la diversité. L’échantillonnage par incertitude donne la priorité aux données pour lesquelles le modèle est le moins sûr de ses prédictions, afin d’améliorer sa précision dans les cas difficiles. L’échantillonnage fondé sur la diversité sélectionne des données couvrant un large éventail de caractéristiques, ce qui permet au modèle de bien généraliser à des données inédites grâce à des exemples variés.

Fig 2. Échantillonnage par incertitude (à gauche) et échantillonnage fondé sur la diversité (à droite).

Après la sélection initiale des données, l’apprentissage actif utilise deux grandes approches d’annotation : l’échantillonnage par pool et l’échantillonnage par flux. Elles ressemblent aux méthodes qu’un enseignant utilise pour aider un élève à se concentrer sur l’essentiel.

Avec l’échantillonnage par pool, le modèle parcourt un vaste ensemble de données non annotées et sélectionne les exemples les plus difficiles ou les plus informatifs à annoter, un peu comme un élève qui donne la priorité aux cartes mémoire qu’il trouve les plus difficiles. Avec l’échantillonnage en flux, le modèle traite les données au fur et à mesure de leur arrivée et décide de les annoter ou de les ignorer, comme un élève qui ne demande de l’aide que lorsqu’il est bloqué. Dans les deux cas, les données annotées sont ajoutées au jeu d’entraînement et le modèle est réentraîné ; il s’améliore ainsi progressivement à chaque itération.

Découvrir les applications de l’apprentissage actif#

L’apprentissage actif joue un rôle clé dans les applications de vision par ordinateur, comme l’imagerie médicale et la conduite autonome, en améliorant la précision des modèles et en simplifiant le processus d’annotation des données. Un exemple intéressant est celui des modèles de vision par ordinateur utilisés dans les voitures autonomes pour détecter les piétons ou les objets dans des conditions de faible luminosité ou de brouillard. L’apprentissage actif peut améliorer la précision en se concentrant sur des scénarios de conduite variés et difficiles.

Plus précisément, l’apprentissage actif peut servir à repérer les données ou les images incertaines issues de tels scénarios afin de les annoter de manière sélective. L’ajout de ces exemples annotés au jeu d’entraînement aide le modèle à mieux reconnaître les piétons et les objets dans des environnements difficiles, par exemple par mauvais temps ou lors de trajets nocturnes.

Par exemple, NVIDIA a utilisé l’apprentissage actif pour améliorer la détection des piétons la nuit dans ses modèles de conduite autonome. En sélectionnant stratégiquement les données d’entraînement les plus informatives, notamment dans des scénarios difficiles, les performances du modèle s’améliorent considérablement.

Fig 3. Détection d’un piéton avec un parapluie grâce à l’apprentissage actif.

L’apprentissage actif peut réduire les coûts d’annotation#

La capacité de l’apprentissage actif à réduire les coûts d’annotation constitue un autre avantage essentiel. Pour cela, il se concentre uniquement sur les données les plus importantes, au lieu d’exiger l’annotation de l’ensemble du jeu de données. Cette approche ciblée permet d’économiser du temps, des efforts et de l’argent. En se concentrant sur les échantillons incertains ou diversifiés, l’apprentissage actif réduit le nombre d’annotations nécessaires tout en maintenant une grande précision du modèle.

En effet, des études montrent que l’apprentissage actif peut réduire les coûts d’annotation de 40 à 60 % sans nuire aux performances. C’est particulièrement utile dans des secteurs comme les soins de santé et l’industrie manufacturière, où l’annotation des données coûte cher. En simplifiant le processus d’annotation, l’apprentissage actif aide les entreprises à développer des modèles plus rapidement et à les déployer plus efficacement, tout en préservant leur précision.

Avantages de l’apprentissage actif#

Voici quelques autres avantages clés de l’apprentissage actif :

• Gérer le déséquilibre des classes : l’apprentissage actif peut aider à corriger le déséquilibre des classes en annotant des exemples issus des classes minoritaires. Le modèle peut ainsi mieux gérer les cas rares lorsque les données sont limitées.
• Cycles de développement plus rapides : annoter moins de données accélère indirectement le développement des modèles d’apprentissage automatique et de vision par ordinateur, ce qui permet de consacrer davantage de temps et de ressources à des itérations et à des expérimentations supplémentaires.
• Adaptabilité : cette approche peut améliorer en continu les données d’entraînement en répétant le processus sur des exemples incertains ou des cas limites, ce qui la rend particulièrement adaptée aux jeux de données dynamiques ou évolutifs.

L’apprentissage actif et AutoML peuvent fonctionner ensemble#

L’apprentissage automatique automatisé (AutoML) vise à automatiser les tâches chronophages et itératives liées à la création et au déploiement de modèles d’apprentissage automatique. Il simplifie les processus de travail en automatisant des tâches comme la sélection des modèles et l’évaluation de leurs performances, ce qui réduit le besoin d’interventions manuelles.

Associé à l’apprentissage actif, AutoML peut accélérer et optimiser le cycle de développement des modèles. Le composant d’apprentissage actif sélectionne stratégiquement les points de données les plus informatifs à annoter, tandis qu’AutoML affine le modèle en automatisant le choix de l’architecture, des paramètres et du réglage.

Fig 4. Processus de travail AutoML.

Voyons cette combinaison de technologies à l’aide d’un exemple.

Imaginons que tu cherches à détecter des affections rares en imagerie médicale, un cas d’usage où les jeux de données annotées sont rares et coûteux à obtenir. L’apprentissage actif peut repérer et sélectionner les données incertaines, comme de subtiles modifications dans des radiographies que le modèle ne parvient pas à classer. Ces données incertaines peuvent ensuite être traitées en priorité pour une annotation manuelle, afin d’améliorer la compréhension du modèle.

À partir des données annotées, AutoML peut optimiser le modèle en explorant différentes architectures, différents hyperparamètres et différentes techniques d’augmentation des données. Ce processus itératif accélère le développement de modèles de vision fiables, comme Ultralytics YOLO11, qui aident les professionnels de santé à établir des diagnostics précis.

Les défis de l’apprentissage actif#

L’apprentissage actif et ses techniques offrent de nombreux avantages, mais il faut tenir compte de quelques points lors de la mise en œuvre de ces stratégies :

• Choix de la stratégie de requête : L’apprentissage actif fait appel à de nombreuses techniques, et le choix de la meilleure méthode a une incidence importante sur l’efficacité du modèle. Une stratégie inadaptée peut réduire les performances du modèle pour une application donnée.
• Coûts du réentraînement : La nature itérative de l’apprentissage actif nécessite des ressources de calcul coûteuses, en particulier pour les grands jeux de données. Le modèle est réentraîné après chaque cycle d’annotation, ce qui accroît sa complexité.
• Qualité du modèle initial : L’efficacité de l’apprentissage actif dépend de la qualité du modèle initial. Un modèle initial peu performant risque de ne pas repérer avec précision les points de données informatifs, ce qui entraîne des demandes d’annotation de qualité insuffisante et une baisse des performances globales.

Les perspectives de l’apprentissage actif et de l’AutoML#

Grâce aux progrès récents de l’IA et de la vision par ordinateur, l’apprentissage actif est bien placé pour relever des défis plus complexes et rationaliser les workflows de machine learning. Associer l’apprentissage actif à des techniques comme l’apprentissage fédéré et l’apprentissage auto-supervisé peut encore améliorer l’efficacité et la capacité de montée en charge des modèles de vision.

L’apprentissage fédéré permet d’entraîner un modèle sur plusieurs appareils ou serveurs à l’aide d’un framework distribué, sans que les données quittent leur emplacement d’origine. Dans des secteurs comme la santé, où la confidentialité des données est importante, l’apprentissage fédéré permet d’entraîner le modèle directement sur des données locales sensibles tout en les protégeant. Au lieu de partager les données brutes, seules les mises à jour ou les informations issues du modèle sont partagées, ce qui protège les informations privées tout en contribuant au processus d’entraînement.

Parallèlement, l’apprentissage auto-supervisé réduit le besoin de données annotées en préentraînant les modèles sur des données non annotées. Ce processus établit une base solide pour le modèle. L’apprentissage actif peut ensuite s’appuyer sur cette base en repérant et en sélectionnant les points de données les plus importants à faire annoter par des humains, afin d’affiner davantage le modèle.

De l’apprentissage actif à un impact concret#

L’apprentissage actif offre une approche pratique pour relever des défis majeurs de la vision par ordinateur, comme le coût élevé de l’annotation des données et le besoin de modèles plus précis. En se concentrant sur l’annotation des seuls points de données les plus utiles, il réduit le travail demandé aux humains tout en améliorant les performances du modèle.

Associé à des technologies comme AutoML, l’apprentissage actif simplifie le développement des modèles en automatisant les tâches chronophages. À mesure que les progrès se poursuivent, l’apprentissage actif devrait devenir un outil essentiel pour créer des systèmes de vision par ordinateur plus intelligents et plus efficaces. Pour découvrir les outils qui prennent en charge cette boucle aujourd’hui, consulte notre comparatif des outils d’annotation automatique et d’apprentissage actif.

Découvre notre dépôt GitHub et rejoins notre communauté pour en savoir plus sur les modèles d’IA et de vision par ordinateur. Découvre d’autres applications de la vision par ordinateur dans l’industrie et dans le secteur de la santé sur nos pages de solutions. Tu peux aussi consulter nos options de licence pour te lancer dès aujourd’hui dans la vision par IA.