L’IA comportementale renforce l’impact de la vision par ordinateur

Depuis de nombreuses années, les innovations en vision par ordinateur se concentrent sur des tâches comme la détection d’objets, qui consiste à identifier des objets tels qu’un chien ou une voiture dans des images et des vidéos. Ces approches ont permis des applications dans des domaines comme les véhicules autonomes, l’industrie manufacturière et le secteur de la santé.

Cependant, ces tâches se limitent souvent à identifier la nature d’un objet. Et si les systèmes d’IA visuelle pouvaient aller plus loin ? Par exemple, au lieu de simplement détecter un chien, ils pourraient comprendre que le chien poursuit une balle ou qu’une voiture freine brusquement parce qu’un piéton traverse. Cette évolution, de la reconnaissance élémentaire à la compréhension contextuelle, marque une avancée majeure vers une IA comportementale plus intelligente et sensible au contexte.

Lors de YOLO Vision 2024 (YV24), l’événement hybride annuel d’Ultralytics célébrant les avancées de l’IA visuelle, l’analyse comportementale pilotée par l’IA a occupé le devant de la scène lors d’une conférence passionnante de David Scott, PDG de The Main Branch.

Dans son intervention, David a évoqué le passage des tâches de base de la vision par ordinateur au suivi comportemental. Fort de plus de 25 ans d’expérience dans la création d’applications technologiques avancées, il a présenté les répercussions de cette évolution. Il a souligné comment le décodage des schémas et des comportements transforme des secteurs comme l’agriculture et le bien-être animal.

Dans cet article, nous passerons en revue les points forts de l’intervention de David et verrons comment le suivi comportemental rend l’IA plus pratique.

Comprendre les défis liés à l’adoption de l’IA#

David Scott a commencé sa conférence par un constat audacieux : « Un de mes collègues dit souvent : “La science ne se vend pas”, ce qui en froisse certains 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 la trouvons géniale ; ils ont besoin d’une raison de l’acheter. »

Il a poursuivi en expliquant que, dans son entreprise, The Main Branch, l’objectif est toujours de résoudre de vrais problèmes avec l’IA, et non de simplement en démontrer les capacités. Beaucoup de clients viennent parler de la façon dont ils pourraient utiliser l’IA en général, mais il considère cette approche comme une démarche à l’envers : c’est comme avoir une solution sans problème à résoudre. L’équipe travaille plutôt avec des clients qui lui soumettent des défis précis afin de 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 des objets 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 comment les exploiter dans l’ensemble de la chaîne de valeur.

Technologie de suivi comportemental : la clé d’une IA exploitable#

Pour rendre l’IA véritablement utile, il est essentiel d’aller au-delà des tâches de vision par ordinateur élémentaires comme la détection d’objets et d’utiliser les informations obtenues pour le suivi comportemental. David a souligné que l’IA comportementale vise à comprendre les actions et les schémas, et non simplement à identifier des objets. Elle peut ainsi reconnaître des événements significatifs et fournir des informations exploitables.

Il a donné l’exemple d’un animal qui se roule par terre, ce qui peut indiquer une maladie. Les humains ne peuvent pas surveiller un animal en permanence, mais 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 certains comportements, envoyer une alerte et permettre d’agir à temps. Les données brutes deviennent ainsi concrètes et utiles.

David a également montré que cette approche rend l’IA non seulement intéressante, mais véritablement efficace. En s’attaquant à des problèmes réels, comme la surveillance des comportements et les mesures qui en découlent, le suivi comportemental peut devenir un élément clé de solutions d’IA efficaces dans de nombreux secteurs.

Concrétiser l’IA comportementale#

David Scott a ensuite montré comment Ultralytics YOLOv8, un modèle de vision par ordinateur, a constitué une avancée décisive pour les projets de suivi comportemental de son équipe. Le modèle leur a fourni une base solide pour détecter, classer et suivre des objets. Son équipe est également allée plus loin en entraînant YOLOv8 sur mesure afin de surveiller les comportements au fil du temps et de rendre le modèle plus pratique et utile dans des situations réelles.

Fait intéressant, la sortie d’Ultralytics YOLO11 pourrait rendre encore plus fiables et précises des solutions comme celles créées par The Main Branch. Ce modèle offre des fonctionnalités telles qu’une meilleure précision et un traitement plus rapide, qui améliorent sa capacité à suivre les comportements. Nous en discuterons plus en détail après avoir mieux compris les applications de l’IA comportementale.

Voyons maintenant les solutions présentées par David et comment la technologie de suivi comportemental est utilisée dans des applications concrètes pour résoudre les difficultés du quotidien et avoir un impact significatif.

HerdSense et l’analyse comportementale pilotée par l’IA#

Tout d’abord, David a partagé un défi passionnant relevé par son équipe 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 de repérer d’éventuels problèmes de santé. Il fallait donc garder un œil sur des dizaines de milliers d’animaux simultanément, ce qui n’était pas une tâche simple.

Fig. 2. HerdSense visait à surveiller et à identifier les 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 définir tous les comportements à surveiller. Elle en a identifié plus de 200 au total.

Le suivi des 200 comportements nécessitait de reconnaître avec précision chaque vache, car toutes les données devaient être associées à des animaux précis. L’une des principales difficultés consistait à suivre les vaches lorsqu’elles se regroupaient, ce qui compliquait l’identification des individus.

L’équipe de David a mis au point un système de vision par ordinateur pour s’assurer que chaque vache soit identifiée de façon constante, même dans des situations délicates. Elle a pu confirmer que la même vache se verrait toujours attribuer 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 l’équipe a appliqué des techniques similaires de suivi comportemental à la surveillance des chevaux. Pour ce projet, l’équipe de David n’avait pas besoin de suivre les ID individuels des chevaux d’aussi près que pour les vaches. Elle s’est plutôt concentrée sur certains comportements et a suivi des détails comme les habitudes alimentaires et le niveau d’activité général afin de repérer rapidement d’éventuels problèmes de santé. La détection de petits changements comportementaux pourrait permettre d’intervenir plus rapidement, d’améliorer les soins et de prévenir les problèmes avant qu’ils ne deviennent graves.

Fig. 3. Surveillance des chevaux grâce à l’IA comportementale.

Pourquoi l’IA comportementale est plus complexe qu’il n’y paraît#

David a également abordé la complexité du suivi comportemental à l’aide d’un exemple intrigant. En recherchant 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 de garder une main dans sa poche. À première vue, l’idée semblait judicieuse : certains mouvements pourraient suggérer un comportement suspect, n’est-ce pas ?

Fig. 4. Comprendre les défis de la technologie de suivi comportemental.

Cependant, en approfondissant ses recherches, David a compris les limites de cette méthode. Une posture isolée, comme le fait de garder une main dans sa poche, ne signifie pas nécessairement qu’une personne commet un vol à l’étalage. Elle peut simplement être détendue, réfléchir ou avoir froid. Le problème d’une analyse fondée sur des postures isolées est qu’elle ignore le contexte général. Un comportement ne se réduit pas à une action unique : c’est une suite d’actions au fil du temps, influencée par le contexte et l’intention.

David a souligné que le véritable suivi comportemental est bien plus complexe et exige une approche globale. Il s’agit d’analyser des séquences d’actions et d’en comprendre le sens dans un contexte plus large. Le secteur de l’IA progresse, mais il reste encore du travail à accomplir pour faire évoluer le suivi comportemental et obtenir des informations pertinentes et précises.

Créer des modèles d’IA visuelle plus intelligents, capables de comprendre les actions#

Ensuite, David a fait découvrir au public les coulisses de la création par son équipe d’une solution de vision par ordinateur destinée à surveiller la santé des vaches avec Ultralytics YOLOv8 et ses capacités d’estimation de pose.

L’équipe a commencé par créer un jeu de données personnalisé pour estimer la pose d’une vache, en augmentant le nombre standard de points clés de 17 à 145 afin que le modèle analyse mieux les mouvements. Le modèle a ensuite été entraîné sur un vaste jeu de données comptant plus de 2 millions d’images et 110 millions d’exemples comportementaux.

Grâce à une infrastructure matérielle de pointe, l’équipe de David a pu entraîner le modèle en seulement deux jours, au lieu des semaines qu’aurait nécessité un matériel classique. Le modèle entraîné a ensuite été intégré à un outil personnalisé de suivi comportemental, qui analysait simultanément plusieurs images vidéo pour détecter des schémas dans les actions des vaches.

Le résultat : une solution d’IA visuelle capable de détecter et de suivre huit comportements différents chez les vaches, comme manger, boire et se coucher, afin de repérer les légers changements de comportement susceptibles de signaler des problèmes de santé. Les agriculteurs peuvent ainsi agir rapidement, ce qui améliore la gestion du troupeau.

L’avenir de l’IA comportementale#

David a conclu son intervention en partageant une leçon importante avec le public : « Si tu ne laisses pas à l’IA la possibilité d’échouer, tu prépares ton propre échec, car au bout du compte, tout est statistique. » Il a souligné que l’IA, malgré ses atouts, n’est pas infaillible. C’est un outil qui apprend à partir de schémas, et il y aura toujours des moments où il se trompera. Au lieu de craindre ces erreurs, il faut construire des systèmes capables de les gérer et de s’améliorer continuellement.

C’est également vrai pour les modèles de vision par ordinateur eux-mêmes. Par exemple, Ultralytics YOLO11, la dernière version des modèles Ultralytics YOLO à l’époque (depuis remplacée par Ultralytics YOLO26), a été conçu en tenant compte de la nécessité de franchir un nouveau cap par rapport à YOLOv8.

Fig. 5. Tâches de vision par ordinateur prises en charge par Ultralytics YOLO11.

Ultralytics YOLO11 offre notamment de meilleures performances, particulièrement pour les applications en temps réel où la précision est essentielle, comme l’agriculture et la santé. Grâce à ses fonctionnalités avancées, YOLO11 aide les secteurs d’activité à obtenir des informations en temps réel et à relever les défis plus efficacement.

Points clés à retenir#

La conférence de David à YV24 a rappelé que l’IA n’est pas qu’une innovation géniale : c’est un outil puissant pour résoudre de vrais problèmes et améliorer nos façons de vivre et de travailler. En s’intéressant aux comportements, 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.

Les perspectives de l’IA comportementale sont prometteuses, et nous n’en sommes qu’au début. En transformant les données brutes en informations exploitables, l’IA comportementale passe de la surveillance passive à la résolution active de problèmes. À mesure qu’elle évolue, elle devrait favoriser des décisions plus éclairées, simplifier les processus et améliorer concrètement nos vies.

Reste en contact avec notre communauté pour en savoir plus sur l’IA et ses applications concrètes. Consulte notre dépôt GitHub pour découvrir les innovations dans des domaines comme l’IA en agriculture et la vision par ordinateur dans l’industrie manufacturière.