En cliquant sur "Accepter tous les cookies", vous acceptez que des cookies soient stockés sur votre appareil afin d'améliorer la navigation sur le site, d'analyser l'utilisation du site et de nous aider dans nos efforts de marketing. Plus d'informations
Paramètres des cookies
En cliquant sur "Accepter tous les cookies", vous acceptez que des cookies soient stockés sur votre appareil afin d'améliorer la navigation sur le site, d'analyser l'utilisation du site et de nous aider dans nos efforts de marketing. Plus d'informations
Rejoignez-nous pour revenir sur la conférence YOLO Vision 2024 de David Scott sur l'analyse comportementale pilotée par l'IA et ses applications concrètes dans des secteurs tels que l'élevage.
Pendant de nombreuses années, les innovations en matière de vision par ordinateur se sont concentrées sur des tâches telles que la détection d'objets, c'est-à-dire l'identification d'objets tels qu'un chien ou une voiture dans des images et des vidéos. Ces approches ont permis des applications dans des domaines tels que les véhicules autonomes, la fabrication et les soins de santé.
Toutefois, ces tâches se limitent souvent à l'identification d'un objet. Et si les systèmes d'IA de vision pouvaient aller plus loin ? Par exemple, au lieu de simplement détecter un chien, ils pourraient comprendre que le chien court après une balle ou qu'une voiture freine brusquement parce qu'un piéton traverse. Ce passage de la reconnaissance de base à la compréhension du contexte 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 en matière d'IA Vision, le concept d'analyse comportementale pilotée par l'IA a occupé le devant de la scène lors d'une intervention intéressante de David Scott, PDG de The Main Branch.
Dans son exposé, David a exploré la transition entre les tâches de base de la vision par ordinateur et le suivi du comportement. Fort de plus de 25 ans d'expérience dans la création d'applications technologiques de pointe, il a présenté l'impact de ce saut. Il a souligné comment le décodage des modèles et des comportements remodèle des secteurs tels que l'agriculture et le bien-être des animaux.
Dans cet article, nous allons passer en revue les points forts de la conférence de David et explorer comment le suivi comportemental rend l'IA plus pratique.
Comprendre les défis de l'adoption de l'IA
David Scott a commencé son discours par un rappel audacieux à la réalité en déclarant : "Un de mes collègues dit souvent : "La science ne se vend pas", ce qui choque beaucoup d'entre nous ici, car 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 pensons que c'est cool ; ils ont besoin d'une raison pour l'acheter".
Il a poursuivi en expliquant que dans son entreprise, The Main Branch, l'accent est toujours mis sur la résolution de problèmes réels avec l'IA, et pas seulement sur l'étalage de ses capacités. De nombreux clients viennent nous voir pour nous expliquer comment ils peuvent utiliser l'IA en général, mais il considère qu'il s'agit d'une approche rétrograde, qui revient à proposer une solution sans problème. Au lieu de cela, l'entreprise travaille avec des clients qui lui soumettent des défis spécifiques afin de pouvoir créer des solutions d'IA qui font réellement la différence.
Fig 1. David Scott sur scène à YV24.
David a également expliqué que leur travail va souvent au-delà de la simple reconnaissance d'objets dans une scène. Repérer ce qui est là n'est qu'une première étape. La véritable valeur ajoutée consiste à déterminer ce qu'il faut faire de ces informations et à les rendre utiles dans la chaîne de valeur au sens large.
Technologie de suivi comportemental : la clé de l'IA exploitable
Pour que l'IA soit réellement utile, il est essentiel d'aller au-delà des tâches de vision informatique de base, comme la détection d'objets, et d'utiliser ces connaissances pour le suivi comportemental. David a souligné que l'IA comportementale se concentre sur la compréhension des actions et des modèles, et pas seulement sur l'identification des objets. L'IA est ainsi capable de reconnaître des événements significatifs et de fournir des informations exploitables.
Il a donné l'exemple d'un animal qui se roule par terre, ce qui peut être le signe d'une maladie. S'il n'est pas possible de surveiller un animal 24 heures sur 24, les systèmes de surveillance pilotés par l'IA et dotés de capacités de suivi comportemental le peuvent. Ces solutions peuvent surveiller des objets en continu, détecter des comportements spécifiques, envoyer une alerte et permettre une action en temps voulu. Les données brutes sont ainsi transformées en quelque chose de pratique et de précieux.
David a également montré que cette approche rend l'IA non seulement intéressante, mais qu'elle a un véritable impact. En s'attaquant à des problèmes réels, comme la surveillance des comportements et l'action sur ceux-ci, le suivi comportemental peut devenir un élément clé des solutions d'IA efficaces dans divers secteurs.
Donner vie à l'IA comportementale
David Scott a ensuite montré comment Ultralytics YOLOv8, un modèle de vision par ordinateur, a constitué une percée pour les projets de suivi comportemental de son équipe. Il leur a donné une base solide pour la détection, la classification et le suivi des objets. Son équipe est également allée plus loin en formant YOLOv8 sur mesure pour qu'il se concentre sur le suivi des comportements au fil du temps, ce qui le rend plus pratique et plus utile dans des situations réelles.
Il est intéressant de noter qu'avec la sortie d'Ultralytics YOLO11, les solutions telles que celles créées par The Main Branch peuvent devenir encore plus fiables et plus précises. Ce dernier modèle offre des caractéristiques telles qu'une précision accrue et un traitement plus rapide qui améliorent sa capacité à suivre les comportements. Nous y reviendrons plus en détail après avoir mieux compris les applications de l'IA comportementale.
Ensuite, nous allons explorer les solutions dont David a parlé et la façon dont la technologie de suivi comportemental est utilisée dans des applications réelles pour résoudre des problèmes quotidiens et avoir un impact significatif.
HerdSense : analyse comportementale pilotée par l'IA
Tout d'abord, David a fait part d'un défi passionnant qu'ils ont relevé dans le cadre d'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. Il fallait donc surveiller des dizaines de milliers d'animaux en même temps, ce qui n'était pas une mince affaire.
Fig. 2. HerdSense s'est concentré sur la surveillance et l'identification des vaches à l'aide de 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 pour définir tous les comportements possibles à suivre. Ils ont identifié plus de 200 comportements au total.
Chacun des 200 comportements dépendait de la capacité à reconnaître avec précision les vaches individuelles, car toutes les données devaient être liées à des animaux spécifiques. L'un des principaux problèmes était de suivre les vaches lorsqu'elles se regroupaient en troupeaux, ce qui rendait difficile l'observation de chaque animal.
L'équipe de David a mis au point un système de vision par ordinateur pour s'assurer que chaque vache était identifiée de manière cohérente, même dans des situations délicates. Ils ont pu confirmer que la même vache se verrait toujours attribuer le même numéro d'identification, même si elle disparaissait, se mêlait à d'autres ou réapparaissait plus tard.
Surveillance de la santé des chevaux à l'aide de la vision par ordinateur
David a ensuite présenté un autre projet fascinant dans le cadre duquel des techniques de suivi comportemental similaires ont été appliquées au suivi des chevaux. Dans ce projet, l'équipe de David n'a pas eu besoin de suivre les identifiants individuels des chevaux aussi étroitement qu'avec les vaches. Elle s'est plutôt concentrée sur des comportements spécifiques et a suivi des détails tels que les habitudes alimentaires et les niveaux d'activité généraux afin de détecter rapidement tout problème de santé. L'identification de petits changements de comportement pourrait permettre des interventions plus rapides afin de fournir de meilleurs soins et de prévenir les problèmes avant qu'ils ne s'aggravent.
Fig. 3. Surveillance des chevaux à l'aide de l'IA comportementale.
Pourquoi l'IA comportementale n'est pas aussi simple qu'elle en a l'air
David a également abordé la complexité du suivi comportemental à l'aide d'un exemple intriguant. Alors qu'elle recherchait des moyens d'améliorer l'analyse comportementale, son équipe est tombée sur une société qui prétendait détecter les vols à l'étalage en analysant des postures spécifiques, comme celle d'une personne qui mettrait la main à la poche. À première vue, l'idée semblait judicieuse : certains mouvements pouvaient suggérer un comportement suspect, n'est-ce pas ?
Fig. 4. Comprendre les défis de la technologie de suivi comportemental.
Cependant, au fur et à mesure de ses recherches, David s'est rendu compte des limites de cette méthode. Une simple pose, telle qu'une main dans une poche, ne signifie pas nécessairement que quelqu'un est en train de voler à l'étalage. Elle peut simplement indiquer qu'elle est détendue, qu'elle réfléchit ou même qu'elle a froid. Le problème, lorsqu'on se concentre sur des poses isolées, c'est qu'on ne tient pas compte du contexte général. Le comportement ne se résume pas à une action unique, c'est un ensemble d'actions au fil du temps, façonné par le contexte et l'intention.
David a souligné que le véritable suivi comportemental est beaucoup plus complexe et nécessite une approche holistique. Il s'agit d'analyser des séquences d'actions et de comprendre ce qu'elles signifient dans un contexte plus large. Bien que l'industrie de l'IA fasse des progrès, il a noté qu'il y a encore du travail à faire pour faire avancer le suivi comportemental afin de fournir des informations significatives et précises.
Créer des modèles d'IA plus intelligents qui comprennent les actions
David a ensuite emmené le public dans les coulisses pour lui montrer comment son équipe a construit une solution de vision par ordinateur pour surveiller la santé des vaches à l'aide de YOLOv8 et de ses capacités d'estimation de la pose.
Ils ont commencé par créer un ensemble de données personnalisé pour l'estimation de la pose d'une vache, en augmentant le nombre standard de points clés de 17 à 145 pour que le modèle analyse mieux les mouvements. Le modèle a ensuite été entraîné sur un énorme ensemble de données comprenant plus de 2 millions d'images et 110 millions d'exemples de comportement.
Grâce à une infrastructure matérielle avancée, l'équipe de David a pu entraîner le modèle en deux jours seulement, au lieu des semaines qu'il aurait fallu avec du matériel conventionnel. Le modèle formé a ensuite été intégré à un outil de suivi du comportement personnalisé qui a analysé simultanément plusieurs images vidéo afin de détecter des schémas dans les actions des vaches.
Le résultat est une solution visionnaire basée sur l'IA qui peut détecter et suivre huit comportements différents des vaches, comme manger, boire et se coucher, afin de repérer les changements de comportement mineurs qui pourraient signaler des problèmes de santé. Cela permet aux éleveurs d'agir rapidement et d'améliorer la gestion du troupeau.
Le chemin à parcourir pour l'IA comportementale
David a conclu son intervention en partageant une leçon importante avec le public : "Si vous ne laissez pas à l'IA la possibilité d'échouer, vous vous exposez à l'échec car, en fin de compte, il s'agit de statistiques. Il a souligné que l'IA, malgré ses atouts, n'est pas sans faille. C'est un outil qui apprend à partir de modèles, et il y aura toujours des moments où elle ne fera pas les choses correctement. Au lieu de craindre ces erreurs, la clé est de construire des systèmes capables de les gérer et de continuer à s'améliorer au fil du temps.
Il en va de même pour les modèles de vision par ordinateur. Par exemple, Ultralytics YOLO11, la dernière version des modèles Ultralytics YOLO, a été conçue en gardant à l'esprit la nécessité de passer à la vitesse supérieure par rapport à YOLOv8.
Fig. 5. Tâches de vision par ordinateur prises en charge par YOLO11.
En particulier, YOLO11 offre de meilleures performances, notamment en ce qui concerne les applications en temps réel où la précision est essentielle, comme l'agriculture et les soins de santé. Grâce à ses fonctionnalités avancées, YOLO11 redéfinit la manière dont les industries utilisent l'IA en fournissant des informations innovantes en temps réel et en les aidant à relever les défis de manière plus efficace.
Principaux enseignements
Le discours de David à YV24 nous a rappelé que l'IA est plus qu'une innovation cool - c'est un outil puissant pour résoudre des problèmes réels et améliorer notre façon de vivre et de travailler. En se concentrant sur le comportement, l'IA a déjà un impact dans des domaines tels que le suivi de la santé des animaux et la reconnaissance de schémas significatifs dans les actions quotidiennes.
Le potentiel de l'IA comportementale est passionnant, 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. Au fur et à mesure de son développement, l'IA comportementale devrait permettre de prendre des décisions plus intelligentes, de rationaliser les processus et d'apporter des améliorations significatives à nos vies.