L'IA comportementale rend la vision par ordinateur plus percutante

Pendant 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 des applications dans des domaines comme les véhicules autonomes, l'industrie et la santé.

Cependant, ces tâches se limitent souvent à identifier ce qu'est un objet. Et si les systèmes de vision par IA pouvaient aller plus loin ? Par exemple, au lieu de simplement détecter un chien, disons qu'ils pourraient comprendre que le chien poursuit une balle ou qu'une voiture freine brusquement parce qu'un piéton traverse. Ce passage d'une reconnaissance basique à une compréhension contextuelle représente une avancée 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 vision par IA, le concept d'analyse de comportement pilotée par l'IA a occupé le devant de la scène lors d'une présentation intéressante de David Scott, PDG de The Main Branch.

Dans sa présentation, David a exploré la transition des tâches de vision par ordinateur de base vers le suivi comportemental. Avec plus de 25 ans d'expérience dans la création d'applications technologiques de pointe, il a illustré l'impact de ce saut technologique. Il a souligné comment le décodage des modèles 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 la présentation de David et explorerons comment le suivi comportemental rend l'IA plus pratique.

Link to this sectionComprendre les défis de l'adoption de l'IA#

David Scott a commencé son discours par une prise de conscience brutale : « Un de mes collègues dit souvent : 'La science ne se vend pas', ce qui nous vexe un peu ici car nous aimons vraiment la science. L'IA est vraiment cool, pourquoi les gens ne l'achèteraient-ils pas ? Mais la réalité est que 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 qu'au sein de son entreprise, The Main Branch, l'accent est toujours mis sur la résolution de problèmes réels avec l'IA, et non sur la simple démonstration de ses capacités. Beaucoup de clients viennent en voulant parler de l'utilisation de l'IA en général, mais il voit cela comme une approche à l'envers : c'est comme avoir une solution sans problème. Au lieu de cela, ils travaillent avec des clients qui apportent des défis spécifiques afin de créer des solutions IA qui font réellement la différence.

Fig 1. David Scott sur scène à YV24.

David a également partagé le fait que leur travail va souvent au-delà de la simple reconnaissance d'objets dans une scène. Repérer ce qui est présent n'est que la première étape. La véritable valeur provient de la détermination de ce qu'il faut faire de ces informations et de leur utilité au sein de la chaîne de valeur globale.

Link to this sectionLa technologie de suivi comportemental : la clé d'une IA actionnable#

Une étape essentielle pour rendre l'IA vraiment utile est de dépasser les tâches de vision par ordinateur basiques comme la détection d'objets pour utiliser ces informations dans le suivi comportemental. David a souligné que l'IA comportementale se concentre sur la compréhension des actions et des modèles, et non sur la simple identification des objets. Cela rend l'IA capable de reconnaître des événements significatifs et de fournir des informations actionnables.

Il a donné l'exemple d'un animal roulant sur le sol, ce qui pourrait indiquer une maladie. Bien que les humains ne puissent pas surveiller un animal 24h/24, les systèmes de surveillance pilotés par IA dotés de capacités de suivi comportemental peuvent le faire. Ces solutions peuvent surveiller des objets en continu, détecter des comportements spécifiques, envoyer une alerte et permettre une intervention rapide. Cela transforme des données brutes en quelque chose de pratique et de précieux.

David a également montré que cette approche rend l'IA non seulement intéressante, mais vraiment percutante. En s'attaquant à de vrais problèmes, comme la surveillance des comportements et la réaction face à ceux-ci, le suivi comportemental peut devenir un élément clé de solutions IA efficaces dans divers secteurs.

Link to this sectionDonner vie à l'IA comportementale#

David Scott a ensuite illustré comment Ultralytics YOLOv8, un modèle de vision par ordinateur, a été une percée 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 sur mesure YOLOv8 pour se concentrer sur le suivi des comportements au fil du temps, le rendant plus pratique et utile pour des situations réelles.

Il est intéressant de noter qu'avec la sortie d'Ultralytics YOLO11, les solutions comme celles créées par The Main Branch peuvent devenir encore plus fiables et précises. Ce tout 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 possibles de l'IA comportementale.

Ensuite, explorons les solutions dont David a parlé et comment la technologie de suivi comportemental est utilisée dans des applications réelles pour résoudre des défis quotidiens et avoir un impact significatif.

Link to this sectionHerdSense avec l'analyse de comportement pilotée par IA#

Tout d'abord, David a partagé un défi passionnant qu'ils ont relevé avec un projet appelé HerdSense, qui impliquait la surveillance de la santé de milliers de vaches dans un immense parc d'engraissement. L'objectif était de suivre le comportement de chaque vache pour identifier d'éventuels problèmes de santé. Cela signifiait garder un œil sur des dizaines de milliers d'animaux en même temps, et ce n'était pas une tâche simple.

Fig 2. HerdSense axé 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 qu'ils devaient surveiller. Ils ont identifié plus de 200 comportements au total.

Chacun des 200 comportements dépendait de la capacité à reconnaître avec précision chaque vache, car toutes les données devaient être liées à des animaux spécifiques. Une préoccupation majeure était de suivre les vaches lorsqu'elles se regroupaient, ce qui rendait difficile l'observation des animaux individuels.

L'équipe de David a développé un système de vision par ordinateur pour garantir que chaque vache soit systématiquement identifiée, même dans des situations complexes. Ils ont pu confirmer que la même vache se voyait toujours attribuer le même ID, même si elle disparaissait de la vue, se mélangeait aux autres ou réapparaissait plus tard.

Link to this sectionSurveillance de la santé des chevaux à l'aide de la vision par ordinateur#

Ensuite, David a présenté un autre projet fascinant où ils ont appliqué des techniques de suivi comportemental similaires pour surveiller des chevaux. Dans ce projet, l'équipe de David n'avait pas besoin de suivre les ID des chevaux individuels aussi étroitement qu'avec les vaches. Au lieu de cela, ils se sont concentrés sur des comportements spécifiques et ont suivi des détails comme les habitudes alimentaires et les niveaux d'activité généraux pour détecter rapidement tout problème de santé. Identifier de petits changements de comportement pourrait conduire à des interventions plus rapides pour fournir de meilleurs soins et prévenir les problèmes avant qu'ils ne deviennent graves.

Fig 3. Surveillance des chevaux à l'aide de l'IA comportementale.

Link to this sectionPourquoi l'IA comportementale n'est pas aussi simple qu'il y paraît#

David a également discuté de la complexité du suivi comportemental à travers un exemple intrigant. En cherchant des moyens d'améliorer l'analyse comportementale, son équipe est tombée sur une entreprise prétendant détecter le vol à l'étalage en analysant des poses spécifiques, comme quelqu'un ayant la main dans sa poche. Au début, cela semblait être une idée intelligente : certains mouvements pourraient suggérer un comportement suspect, non ?

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

Cependant, en approfondissant, David a réalisé les limites de cette méthode. Une seule pose, comme une main dans la poche, ne signifie pas nécessairement que quelqu'un vole. Cela pourrait simplement indiquer qu'il est détendu, en train de réfléchir ou même qu'il a froid. Le problème avec la focalisation sur des poses isolées est que cela ignore le contexte plus large. Le comportement n'est pas juste une action unique, c'est un modèle d'actions 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 holistique. Il s'agit d'analyser des séquences d'actions et de comprendre ce qu'elles signifient dans le tableau d'ensemble. Bien que l'industrie de l'IA fasse des progrès, il a noté qu'il reste du travail à faire pour faire avancer le suivi comportemental afin de fournir des informations significatives et précises.

Link to this sectionCréer des modèles de vision par IA plus intelligents qui comprennent les actions#

Par la suite, David a emmené l'auditoire dans les coulisses pour montrer comment son équipe a construit une solution de vision par ordinateur pour surveiller la santé des vaches avec l'aide de YOLOv8 et de ses capacités d'estimation de pose.

Ils ont commencé par créer un dataset personnalisé pour l'estimation de la pose d'une vache, en faisant passer le nombre standard de points clés de 17 à 145 pour rendre le modèle meilleur dans l'analyse du mouvement. Ensuite, le modèle a été entraîné sur un dataset massif de plus de 2 millions d'images et 110 millions d'exemples comportementaux.

En utilisant une infrastructure matérielle avancée, l'équipe de David a pu entraîner le modèle en seulement deux jours au lieu des semaines qu'il aurait fallu avec du matériel classique. Le modèle entraîné a ensuite été intégré à un tracker de comportement personnalisé qui analysait plusieurs images vidéo simultanément pour détecter des modèles dans les actions des vaches.

Le résultat est une solution pilotée par vision par IA capable de détecter et de suivre huit comportements différents de la vache, comme manger, boire et s'allonger, afin de détecter des changements comportementaux mineurs pouvant signaler des problèmes de santé. Cela permet aux éleveurs d'agir rapidement et améliore la gestion du troupeau.

Link to this sectionLa voie à suivre pour l'IA comportementale#

David a conclu son intervention en partageant une leçon importante avec l'auditoire : « Si vous ne donnez pas à l'IA la possibilité d'échouer, vous vous préparez à l'échec car, au bout du compte, c'est statistique. » Il a souligné que l'IA, malgré ses forces, n'est pas sans faille. C'est un outil qui apprend des modèles, et il y aura toujours des moments où les choses ne se passeront pas comme prévu. 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.

Cela est également vrai pour les modèles de vision par ordinateur eux-mêmes. Par exemple, Ultralytics YOLO11, la toute dernière version des modèles Ultralytics YOLO, a été conçue en gardant à l'esprit la nécessité de passer à l'étape 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 pour les applications en temps réel où la précision est essentielle, comme l'agriculture et la santé. Avec 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 plus efficacement.

Link to this sectionPoints clés#

La présentation de David à YV24 a rappelé que l'IA est plus qu'une innovation cool : 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 modèles significatifs dans les actions quotidiennes.

Le potentiel de l'IA comportementale est passionnant, et nous n'en sommes qu'au début. En transformant des données brutes en informations actionnables, l'IA comportementale passe d'une surveillance passive à une résolution active des problèmes. À mesure qu'elle se développe, l'IA comportementale est prête à favoriser des décisions plus intelligentes, à rationaliser les processus et à apporter des améliorations significatives à nos vies.

Reste connecté avec notre communauté pour en savoir plus sur l'IA et ses applications concrètes. Visite notre dépôt GitHub pour découvrir des innovations dans des domaines comme l'IA dans l'agriculture et la vision par ordinateur dans l'industrie.