L’IA comportementale renforce l’impact de la vision par ordinateur
Rejoins-nous pour revenir sur la keynote de David Scott à YOLO Vision 2024, consacrée à l’analyse comportementale pilotée par l’IA et à ses applications concrètes dans des secteurs comme l’élevage.
Depuis de nombreuses années, les innovations en vision par ordinateur se sont concentrées sur des tâches comme la détection d’objets : identifier des objets tels qu’un chien ou une voiture dans des images et des vidéos. Ces approches ont permis de développer des applications dans des domaines comme les véhicules autonomes, l’industrie manufacturière et la santé.
Cependant, ces tâches se concentrent souvent uniquement sur l’identification de la nature d’un objet. Et si les systèmes d’IA de vision pouvaient aller plus loin ? Par exemple, au lieu de simplement détecter un chien, imaginons qu’ils puissent comprendre que le chien poursuit une balle ou qu’une voiture freine brusquement parce qu’un piéton traverse. Ce passage de la reconnaissance basique à la compréhension contextuelle représente une évolution majeure vers une IA comportementale plus intelligente et consciente du contexte.
Lors de YOLO Vision 2024 (YV24), l’événement hybride annuel d’Ultralytics célébrant les avancées de l’IA de vision, le concept d’analyse comportementale pilotée par l’IA était au cœur d’une présentation captivante de David Scott, PDG de The Main Branch.
Dans sa présentation, David a étudié la transition entre les tâches fondamentales de vision par ordinateur et le suivi comportemental. Fort de plus de 25 ans d’expérience dans la création d’applications technologiques de pointe, il a montré l’impact de cette avancée. Il a souligné comment le décodage des schémas et des comportements transforme des secteurs comme l’agriculture et la protection animale.
Dans cet article, nous passerons en revue les points forts de la présentation de David et nous verrons comment le suivi comportemental rend l’IA plus concrètement utile.
Comprendre les défis liés à l’adoption de l’IA#
David Scott a commencé son discours avec un constat sans détour : « Un de mes collègues dit souvent : “La science ne se vend pas”, ce qui offense un peu beaucoup d’entre nous ici, parce que nous aimons vraiment la science. L’IA est vraiment géniale : pourquoi les gens ne l’achèteraient-ils pas ? Mais en réalité, les gens ne veulent pas l’acheter simplement parce que nous la trouvons géniale ; ils ont besoin d’une raison de l’acheter. »
Il a ensuite expliqué que, dans son entreprise, The Main Branch, l’objectif est toujours de résoudre de vrais problèmes avec l’IA, et non pas simplement d’en montrer les capacités. De nombreux clients viennent pour discuter de la manière dont ils pourraient utiliser l’IA en général, mais il considère cette approche comme erronée : c’est comme avoir une solution sans problème à résoudre. À l’inverse, ils travaillent avec des clients qui présentent des défis précis afin de créer des solutions d’IA qui ont un impact réel.
Fig. 1. David Scott sur scène lors de YV24.
David a également expliqué que leur travail va souvent au-delà de la simple reconnaissance des objets présents dans une scène. Repérer ce qui s’y trouve n’est que la première étape. La véritable valeur consiste à déterminer quoi faire de ces informations et à les rendre utiles au sein de la chaîne de valeur globale.
La technologie de suivi comportemental : la clé d’une IA exploitable#
Une étape essentielle pour rendre l’IA réellement utile consiste à dépasser les tâches fondamentales de vision par ordinateur, comme la détection d’objets, et à utiliser ces informations pour le suivi comportemental. David a souligné que l’IA comportementale vise à comprendre les actions et les schémas, et pas seulement à identifier des objets. Elle permet ainsi à l’IA de reconnaître des événements significatifs et de fournir des informations exploitables.
Il a donné l’exemple d’un animal qui se roule sur le sol, ce qui pourrait indiquer une maladie. Alors que les humains ne peuvent pas surveiller un animal 24 heures sur 24, les systèmes de surveillance pilotés par l’IA dotés de capacités de suivi comportemental le peuvent. Ces solutions peuvent surveiller les objets en continu, détecter des comportements précis, envoyer une alerte et permettre d’agir rapidement. Elles transforment ainsi les données brutes en informations pratiques et utiles.
David a également montré que cette approche rend l’IA non seulement intéressante, mais véritablement impactante. En s’attaquant à de vrais problèmes, comme la surveillance des comportements et les actions à entreprendre en conséquence, le suivi comportemental peut devenir un élément essentiel de solutions d’IA efficaces dans différents secteurs.
Donner vie à l’IA comportementale#
David Scott a ensuite expliqué comment Ultralytics YOLOv8, un modèle de vision par ordinateur, a constitué une avancée majeure pour les projets de suivi comportemental de son équipe. Il leur a fourni une base solide pour détecter, classer et suivre les objets. Son équipe est également allée plus loin en entraînant YOLOv8 sur mesure afin de surveiller les comportements au fil du temps, ce qui l’a rendu plus pratique et plus utile dans des situations réelles.
Fait intéressant, avec la sortie d’Ultralytics YOLO11, les solutions comme celles créées par The Main Branch peuvent devenir encore plus fiables et précises. Ce dernier modèle offre des fonctionnalités telles qu’une précision améliorée et un traitement plus rapide, qui renforcent sa capacité à suivre les comportements. Nous en discuterons plus en détail après avoir mieux compris les applications auxquelles l’IA comportementale peut servir.
Explorons maintenant les solutions présentées par David et la manière dont la technologie de suivi comportemental est utilisée dans des applications concrètes pour résoudre les problèmes du quotidien et avoir un impact significatif.
HerdSense avec l’analyse comportementale pilotée par l’IA#
Tout d’abord, David a présenté un défi passionnant qu’ils ont relevé avec un projet appelé HerdSense, qui consistait à surveiller la santé de milliers de vaches dans un immense parc d’engraissement. L’objectif était de suivre le comportement de chaque vache afin d’identifier d’éventuels problèmes de santé. Cela impliquait de surveiller simultanément plusieurs dizaines de milliers d’animaux, ce qui n’était pas une tâche simple.
Fig. 2. HerdSense s’est concentré sur la surveillance et l’identification des vaches grâce à l’IA comportementale.
Pour commencer à résoudre le problème de l’identification de chaque vache et du suivi de ses comportements, l’équipe de David a organisé un atelier de deux jours afin de répertorier tous les comportements possibles à surveiller. Elle en a identifié plus de 200 au total.
Chacun des 200 comportements dépendait de la capacité à reconnaître précisément les vaches individuellement, car toutes les données devaient être associées à des animaux précis. Le suivi des vaches lorsqu’elles se regroupaient en troupeaux compacts constituait une préoccupation majeure, car il devenait difficile de distinguer chaque animal.
L’équipe de David a développé un système de vision par ordinateur pour s’assurer que chaque vache soit identifiée de manière cohérente, même dans des situations complexes. Elle a pu confirmer que la même vache recevrait toujours le même identifiant, même si elle disparaissait du champ de vision, se mêlait aux autres ou réapparaissait plus tard.
Surveiller la santé des chevaux grâce à la vision par ordinateur#
David a ensuite présenté un autre projet fascinant, dans lequel ils ont appliqué des techniques similaires de suivi comportemental à la surveillance des chevaux. Dans ce projet, l’équipe de David n’avait pas besoin de suivre les identifiants individuels des chevaux avec autant de précision que pour les vaches. Elle s’est plutôt concentrée sur des comportements précis et a suivi des détails comme les habitudes alimentaires et le niveau général d’activité afin de détecter rapidement d’éventuels problèmes de santé. Identifier de petites évolutions du comportement pouvait permettre d’intervenir plus rapidement, d’améliorer les soins et de prévenir les problèmes avant qu’ils ne deviennent graves.
Fig. 3. Surveiller les chevaux à l’aide de l’IA comportementale.
Pourquoi l’IA comportementale n’est pas aussi simple qu’il y paraît#
David a également abordé la complexité du suivi comportemental à travers un exemple intéressant. En cherchant des moyens d’améliorer l’analyse comportementale, son équipe a découvert une entreprise qui affirmait pouvoir détecter les vols à l’étalage en analysant certaines postures, comme le fait d’avoir la main dans la poche. Au premier abord, cela semblait être une idée ingénieuse : certains mouvements pouvaient suggérer un comportement suspect, n’est-ce pas ?
Fig. 4. Comprendre les défis de la technologie de suivi comportemental.
Cependant, en approfondissant son analyse, David a compris les limites de cette méthode. Une seule posture, comme le fait d’avoir la main dans la poche, ne signifie pas nécessairement que quelqu’un vole à l’étalage. Cela peut simplement indiquer que la personne est détendue, réfléchit ou a froid. Le problème d’une focalisation sur des postures isolées est qu’elle ignore le contexte plus large. Un comportement ne se résume pas à une action unique : c’est un ensemble d’actions qui se répètent dans le temps, façonné par le contexte et l’intention.
David a souligné que le véritable suivi comportemental est bien plus complexe et nécessite une approche globale. Il s’agit d’analyser des séquences d’actions et de comprendre ce qu’elles signifient dans un contexte plus large. Même si le secteur de l’IA progresse, il a noté qu’il reste encore du travail pour faire évoluer le suivi comportemental afin de fournir des informations pertinentes et précises.
Créer des modèles d’IA de vision plus intelligents qui comprennent les actions#
David a ensuite invité le public à découvrir les coulisses de la création, par son équipe, d’une solution de vision par ordinateur destinée à surveiller la santé des vaches à l’aide d’Ultralytics YOLOv8 et de ses capacités d’estimation de pose.
Ils ont commencé par créer un jeu de données personnalisé pour l’estimation de la pose d’une vache, en faisant passer le nombre standard de points clés de 17 à 145 afin d’améliorer l’analyse des mouvements par le modèle. Le modèle a ensuite été entraîné sur un vaste jeu de données de plus de 2 millions d’images et 110 millions d’exemples comportementaux.
Grâce à une infrastructure matérielle avancée, l’équipe de David a pu entraîner le modèle en seulement deux jours, au lieu des semaines qu’aurait nécessitées du matériel conventionnel. Le modèle entraîné a ensuite été intégré à un outil personnalisé de suivi comportemental qui analysait simultanément plusieurs images vidéo afin de détecter des schémas dans les actions des vaches.
Le résultat était une solution de vision par ordinateur pilotée par l’IA capable de détecter et de suivre huit comportements différents des vaches, comme manger, boire et s’allonger, afin de repérer de petites variations comportementales susceptibles de signaler des problèmes de santé. Les éleveurs peuvent ainsi agir rapidement et améliorer la gestion du troupeau.
Les perspectives de l’IA comportementale#
David a conclu sa présentation en partageant une leçon importante avec le public : « Si tu ne laisses pas à l’IA la possibilité d’échouer, tu te prépares à l’échec, car au bout du compte, elle est statistique. » Il a souligné que l’IA, malgré ses points forts, n’est pas parfaite. C’est un outil qui apprend à partir de schémas, et il y aura toujours des moments où elle se trompera. Plutôt que de craindre ces erreurs, l’essentiel est de concevoir des systèmes capables de les gérer et de continuer à s’améliorer au fil du temps.
Cela vaut également pour les modèles de vision par ordinateur eux-mêmes. Par exemple, Ultralytics YOLO11, la dernière version des modèles YOLO d’Ultralytics, a été conçu en tenant compte de la nécessité d’aller plus loin par rapport à YOLOv8.
Fig. 5. Tâches de vision par ordinateur prises en charge par Ultralytics YOLO11.
Plus particulièrement, Ultralytics YOLO11 offre de meilleures performances, notamment pour les applications en temps réel où la précision est essentielle, comme l’agriculture et la santé. Grâce à ses fonctionnalités avancées, YOLO11 redéfinit la manière dont les secteurs utilisent l’IA en fournissant des informations innovantes en temps réel et en les aidant à relever plus efficacement leurs défis.
Points clés à retenir#
Le discours de David lors de YV24 nous a rappelé que l’IA est bien plus qu’une innovation géniale : c’est un outil puissant pour résoudre de vrais problèmes et améliorer notre façon de vivre et de travailler. En se concentrant sur le comportement, l’IA a déjà un impact dans des domaines comme le suivi de la santé animale et la reconnaissance de schémas significatifs dans les actions du quotidien.
Le potentiel de l’IA comportementale est enthousiasmant, et nous n’en sommes qu’au début. En transformant les données brutes en informations exploitables, l’IA comportementale passe d’une surveillance passive à une résolution active des problèmes. À mesure qu’elle évolue, elle devrait favoriser des décisions plus intelligentes, fluidifier les processus et apporter des améliorations significatives à nos vies.
Reste connecté à notre communauté pour en apprendre davantage sur l’IA et ses applications concrètes. Consulte notre dépôt GitHub pour découvrir des innovations dans des domaines comme l’IA dans l’agriculture et la vision par ordinateur dans l’industrie manufacturière.
