Exploration de l’apprentissage supervisé ou non supervisé en vision par ordinateur

L’intelligence artificielle (AI) repose sur le concept fondamental d’apprendre aux machines à apprendre et à raisonner d’une manière qui ressemble à l’intelligence humaine. De même que les êtres humains apprennent par différentes méthodes, comme l’instruction directe ou l’observation de schémas et d’expériences, les systèmes d’AI et de machine learning sont conçus pour suivre ces mêmes approches.

Plus précisément, dans le cas des algorithmes de machine learning, les systèmes sont entraînés à apprendre à partir de données plutôt que d’être programmés explicitement pour chaque tâche. Au lieu de s’appuyer sur des règles fixes, les modèles de machine learning identifient des schémas dans les données et les utilisent pour faire des prédictions ou prendre des décisions.

Par exemple, la vision par ordinateur est une branche de l’AI et du machine learning qui vise à permettre aux systèmes d’interpréter et de comprendre des informations visuelles, comme des images et des vidéos. De la reconnaissance d’objets à l’identification de schémas cachés dans de vastes jeux de données, ces systèmes dépendent fortement de la manière dont ils sont entraînés à apprendre.

Différentes techniques d’apprentissage de l’AI sont utilisées pour entraîner ces systèmes, selon le type de données disponibles et le problème à résoudre.

Certains modèles de vision par ordinateur apprennent à partir de données annotées, où chaque entrée est associée à une réponse correcte. Cela signifie que chaque image ou point de données possède une étiquette prédéfinie indiquant au modèle ce qu’il représente. Le modèle peut ainsi apprendre la relation entre l’entrée et la sortie attendue, ce qui améliore sa capacité à effectuer des prédictions précises sur de nouvelles données inédites.

D’autres modèles de vision apprennent à partir de données non annotées, sans réponses prédéfinies, et se concentrent plutôt sur l’identification des schémas et des relations au sein des données elles-mêmes. Ces approches sont respectivement appelées apprentissage supervisé et apprentissage non supervisé, et constituent la base de nombreux systèmes de vision par ordinateur de pointe.

Dans cet article, nous allons explorer l’apprentissage supervisé et non supervisé, leur utilisation en vision par ordinateur et la manière de choisir l’approche la mieux adaptée à ton projet d’AI appliquée à la vision. C’est parti !

Comment les approches d’apprentissage de l’AI alimentent la vision par ordinateur#

Tu peux considérer l’intelligence artificielle comme un grand parapluie qui couvre un ensemble de technologies permettant aux machines d’effectuer des tâches nécessitant généralement l’intelligence humaine. Dans cet ensemble, le machine learning est un domaine essentiel qui permet aux systèmes d’apprendre à partir de données au lieu de s’appuyer uniquement sur des règles fixes.

Dans le machine learning, différentes techniques d’apprentissage déterminent comment un modèle apprend et s’améliore au fil du temps. Des approches telles que l’apprentissage supervisé (apprentissage à partir de données annotées avec des réponses correctes), l’apprentissage non supervisé (identification de schémas dans des données non annotées), l’apprentissage par renforcement (apprentissage par essais et erreurs à l’aide de retours ou de récompenses) et l’apprentissage semi-supervisé (combinaison d’une petite quantité de données annotées avec une grande quantité de données non annotées) définissent la manière dont les systèmes traitent les données d’entrée et génèrent les données de sortie.

Fig. 1. Vue d’ensemble des méthodes d’apprentissage de l’AI (Source)

En particulier, les systèmes de vision par ordinateur sont construits à l’aide de telles approches d’apprentissage afin d’interpréter et de comprendre les données visuelles. L’apprentissage supervisé est la méthode la plus utilisée, car il permet aux modèles d’apprendre à partir d’exemples clairement annotés et de produire des résultats précis et fiables.

Par exemple, un modèle peut être entraîné sur des images étiquetées « chat » et « chien », en apprenant des caractéristiques comme la forme, les oreilles et la structure du visage afin de pouvoir classer correctement de nouvelles images à l’aide d’algorithmes de classification. Par ailleurs, l’apprentissage non supervisé et semi-supervisé est également utilisé en vision par ordinateur, souvent pour explorer les schémas présents dans les données ou améliorer les performances lorsque les données annotées sont limitées.

Utiliser des modèles d’apprentissage supervisé en vision par ordinateur#

Tu peux comparer les algorithmes d’apprentissage supervisé à une salle de classe, où un enseignant fournit des exemples accompagnés des bonnes réponses afin que les élèves apprennent ce qui est correct et ce qui ne l’est pas. En machine learning, les modèles apprennent de manière similaire à partir de données annotées, chaque entrée étant associée à une sortie connue.

Imaginons que tu développes un système de vision par ordinateur qui automatise l’analyse de matchs de baseball. Tu pourrais entraîner un modèle comme Ultralytics YOLO26 sur des images ou des images vidéo où des objets comme la balle, la batte et les joueurs sont annotés.

Chaque objet serait marqué avec son emplacement et sa catégorie, ce qui permettrait au modèle d’apprendre ce qu’il doit rechercher. Au fil du temps, le modèle pourrait détecter et localiser ces objets dans de nouvelles séquences, pour des cas d’usage comme le suivi de la balle et la détection des joueurs d’une image à l’autre.

Fig. 2. Exemple de détection d’objets rendue possible par l’apprentissage supervisé (Source)

Au-delà de la détection d’objets, l’apprentissage supervisé est largement utilisé pour diverses tâches de vision par ordinateur, comme la classification d’images, la segmentation d’instances et l’estimation de pose, où la précision et la cohérence sont importantes. Pour chacune de ces tâches, les modèles apprennent à partir de données annotées afin d’identifier des schémas spécifiques et de produire des prédictions fiables sur de nouvelles entrées.

Ces modèles sont généralement construits à l’aide du deep learning, un type de machine learning qui utilise des réseaux neuronaux pour apprendre directement les schémas présents dans les données. Les réseaux neuronaux sont conçus pour traiter les informations d’une manière qui s’inspire, de façon simplifiée, du fonctionnement du cerveau humain, ce qui permet aux modèles d’apprendre des caractéristiques visuelles complexes à partir de vastes jeux de données.

Les premières approches de vision par ordinateur reposaient souvent sur des caractéristiques conçues manuellement, combinées à des algorithmes comme les machines à vecteurs de support (SVMs sont des modèles qui classent les données en trouvant la meilleure limite entre les catégories) ou les arbres de décision (modèles qui prennent des décisions en divisant les données en branches).

À l’inverse, les modèles actuels de vision par ordinateur utilisent le deep learning pour apprendre automatiquement ces caractéristiques à partir des données, ce qui les rend plus efficaces pour gérer des tâches visuelles à grande échelle et très détaillées.

Comprendre le besoin de modèles d’apprentissage non supervisé en AI appliquée à la vision#

Même si l’apprentissage supervisé est l’approche privilégiée en vision par ordinateur, certaines applications de vision ne disposent pas de données annotées, ou leur création est trop coûteuse et chronophage.

Dans ces cas, les algorithmes d’apprentissage non supervisé peuvent constituer une solution utile. Imaginons que tu disposes d’une vaste collection de photos non annotées prises par une caméra animalière.

Aucune étiquette n’indique ce que contient chaque image, mais tu souhaites tout de même organiser ou comprendre les données. Un modèle non supervisé peut analyser ces images et regrouper celles qui se ressemblent, en séparant en clusters les animaux d’apparence similaire, même sans connaître leurs étiquettes exactes.

Comment fonctionne l’apprentissage non supervisé en vision par ordinateur#

Alors, comment fonctionne le machine learning non supervisé ? Au lieu d’apprendre à partir de réponses correctes, le modèle apprend en identifiant de lui-même les schémas et la structure présents dans les données. Il recherche les similitudes et les différences dans les données sans s’appuyer sur des exemples annotés.

Un cas d’usage courant est la détection d’anomalies, où le modèle apprend à quoi ressemblent les données normales, puis identifie tout ce qui s’en écarte. La détection d’anomalies et de valeurs aberrantes compte parmi les applications industrielles les plus importantes. Il peut notamment s’agir de repérer des produits défectueux sur une chaîne de fabrication, de signaler des examens médicaux inhabituels pour analyse par un radiologue ou de détecter une activité suspecte dans des images de vidéosurveillance. Comme les défauts et les anomalies sont souvent rares et variés, il est irréaliste d’annoter chaque cas possible, ce qui fait des approches non supervisées un choix naturel.

Pour cela, on utilise souvent des techniques comme le clustering et la réduction de dimensionnalité, généralement sur des caractéristiques extraites des images plutôt que sur les images brutes elles-mêmes. Les méthodes de clustering, comme le clustering k-means, regroupent les images similaires en fonction de schémas communs, tandis que les techniques de réduction de dimensionnalité, comme l’analyse en composantes principales (PCA), simplifient les données en se concentrant sur les caractéristiques les plus importantes.

Cela permet au modèle d’identifier plus facilement des schémas et une structure pertinents au sein de jeux de données vastes et complexes. Le principal avantage de l’apprentissage non supervisé est qu’il fonctionne bien avec des données non annotées et peut révéler des schémas qui ne sont pas immédiatement évidents. Toutefois, il est plus difficile à évaluer et offre moins de contrôle sur la sortie finale que l’apprentissage supervisé.

L’apprentissage auto-supervisé et semi-supervisé en vision par ordinateur#

En explorant l’apprentissage supervisé et non supervisé, tu peux te demander s’il existe un juste milieu entre les deux. Fait intéressant, l’apprentissage auto-supervisé et semi-supervisé comble l’écart entre l’apprentissage supervisé et non supervisé.

Ces approches permettent aux modèles d’apprendre plus efficacement à partir de données non annotées. Au lieu de s’appuyer uniquement sur des exemples annotés, elles créent leurs propres tâches d’apprentissage à partir des données ou combinent un petit jeu de données annotées avec un jeu plus vaste de données non annotées.

Dans l’apprentissage auto-supervisé, le modèle apprend en résolvant des tâches créées à partir des données elles-mêmes. Par exemple, on peut lui fournir une image à laquelle il manque une partie et lui demander d’apprendre à prédire ce qui devrait remplir cet espace, ou lui apprendre à reconnaître différentes vues d’un même objet. Le modèle peut ainsi apprendre des caractéristiques utiles sans nécessiter d’annotations manuelles.

En revanche, dans l’apprentissage semi-supervisé, une petite quantité de données annotées est utilisée avec un ensemble plus vaste de données non annotées afin d’améliorer les performances. Dans certains cas, le modèle peut générer des étiquettes pour les données non annotées et les utiliser pour poursuivre son apprentissage.

Le principal avantage de ces approches est qu’elles réduisent le besoin de disposer de vastes jeux de données annotées, dont la création est souvent coûteuse et chronophage. Toutefois, elles peuvent être plus complexes à concevoir et à évaluer que les méthodes entièrement supervisées.

Principales différences entre l’apprentissage supervisé et non supervisé#

La différence entre l’apprentissage supervisé et non supervisé tient à la manière dont un modèle apprend et à ce qu’il cherche à accomplir. Alors que l’apprentissage supervisé s’appuie sur des données annotées et des indications claires pour apprendre des tâches précises, l’apprentissage non supervisé fonctionne sans réponses prédéfinies et se concentre sur la découverte de schémas et d’une structure au sein des données.

Par exemple, dans un système de surveillance du trafic, un modèle d’apprentissage supervisé peut être entraîné sur des images annotées pour détecter des véhicules, des piétons ou des feux de signalisation. À l’inverse, un modèle non supervisé pourrait analyser de grandes quantités d’images vidéo pour regrouper des schémas de circulation similaires ou identifier des événements inhabituels, comme une congestion inattendue ou un mouvement anormal, sans qu’on lui indique explicitement ce qu’il doit rechercher.

Quand utiliser l’apprentissage supervisé en vision par ordinateur#

L’apprentissage supervisé est une excellente option pour les tâches de vision par ordinateur dont l’objectif est clairement défini et où le modèle doit associer des données d’entrée à des sorties précises. Il est particulièrement efficace lorsque tu disposes d’un jeu de données annotées fiable et que tu as besoin de résultats cohérents et prévisibles.

Fig. 3. Tâches de vision par ordinateur reposant sur l’apprentissage supervisé (Source)

Il est couramment utilisé pour les problèmes où le modèle doit distinguer des catégories connues ou prédire des résultats spécifiques. Plutôt que d’explorer les schémas, l’objectif est d’apprendre des relations précises à partir de données annotées, ce qui facilite l’orientation du modèle vers un résultat souhaité.

Un autre avantage essentiel est le contrôle. Avec l’apprentissage supervisé, il est plus facile de mesurer les performances à l’aide de métriques claires, d’ajuster le modèle et de garantir un comportement stable lors du déploiement. Cette approche est donc idéale pour les systèmes qui nécessitent cohérence et fiabilité dans le temps.

Cependant, cela implique un compromis. Le modèle dépend fortement de la qualité et du volume des données annotées, dont la collecte et l’annotation peuvent prendre beaucoup de temps.

Exemples concrets de vision par ordinateur supervisée#

Les modèles d’AI appliquée à la vision, comme les modèles Ultralytics YOLO, utilisent l’apprentissage supervisé pour effectuer des tâches comme la détection d’objets avec une grande précision, notamment dans les applications en temps réel. Voici quelques cas d’usage courants dans le monde réel où l’apprentissage supervisé fait la différence :

• Santé et imagerie médicale : Les médecins peuvent utiliser des systèmes de vision par ordinateur entraînés sur des examens annotés, comme des radiographies ou des IRM, dans lesquels des classificateurs identifient des problèmes tels que des tumeurs ou des fractures, afin de faciliter des diagnostics plus rapides et plus précis.
• Contrôle qualité industriel : Dans les environnements de production, les systèmes de vision entraînés sur des données annotées peuvent inspecter les produits en analysant plusieurs caractéristiques liées à la qualité, comme la forme, les défauts de surface, la texture et la taille. En apprenant à partir d’exemples de produits conformes et défectueux, ces systèmes peuvent identifier les défauts de manière cohérente et maintenir les standards de production.
• Conduite autonome : Les systèmes de conduite autonome s’appuient sur des modèles entraînés sur des données de conduite annotées pour reconnaître les voies, les véhicules, les piétons et les panneaux de signalisation, afin d’aider les véhicules à se déplacer en toute sécurité et en temps réel.
• Commerce et systèmes de caisse : Les magasins utilisent des modèles entraînés sur des images de produits annotées pour identifier les articles en rayon ou à la caisse, ce qui permet une facturation automatisée et une gestion plus efficace des stocks. Ces systèmes peuvent également prendre en charge des tâches comme la segmentation des clients lorsqu’ils sont associés à des données supplémentaires, aidant ainsi les entreprises à mieux comprendre les habitudes d’achat.
• Agriculture et suivi des cultures : Les agriculteurs peuvent utiliser des modèles entraînés sur des images annotées pour détecter et classer les cultures, par exemple en identifiant et en comptant les pommes de terre saines et endommagées, afin d’améliorer le contrôle qualité et de réduire les pertes.

Fig. 4. Utiliser YOLO pour détecter et compter les pommes de terre saines et défectueuses

Quels types de problèmes de vision par ordinateur l’apprentissage non supervisé peut-il résoudre ?#

L’apprentissage non supervisé est utile lorsque tu ne disposes pas de suffisamment de données annotées ou lorsque tes données ne sont pas accompagnées de réponses claires. Dans ces situations, l’objectif n’est pas d’effectuer des prédictions exactes, mais de comprendre les schémas et la structure présents dans les données.

Il est souvent utilisé lors de l’exploration initiale d’un jeu de données non annotées. Au lieu d’indiquer au modèle ce qu’il doit rechercher, tu lui permets d’identifier de lui-même les similitudes, de regrouper les images associées ou de mettre en évidence les schémas inhabituels.

Dans une vaste collection d’images, une approche non supervisée peut aider à regrouper les images similaires ou à signaler les valeurs aberrantes qui nécessitent une analyse plus approfondie. Cela en fait un point de départ utile pour les projets de data science.

Les modèles génératifs, notamment les GANs, les autoencodeurs variationnels et les modèles de diffusion, apprennent la distribution sous-jacente des images afin d’en créer de nouvelles. Ces modèles alimentent des applications comme la synthèse d’images, la retouche, la super-résolution et le transfert de style, et constituent la base des systèmes actuels d’AI générative.

Dans la segmentation non supervisée, certaines méthodes regroupent les pixels ou les régions en segments cohérents sans s’appuyer sur des masques annotés. Cette approche est utile lorsque l’annotation est trop coûteuse ou lorsque l’objectif est de découvrir une structure plutôt que de faire correspondre des catégories prédéfinies.

L’apprentissage non supervisé est également très utile avec de vastes jeux de données dont l’annotation prend beaucoup de temps ou n’est pas réalisable. Dans ce type de situation, il te permet de tirer des enseignements des données sans dépendre de données d’entraînement annotées.

Il est aussi couramment utilisé dans des domaines comme l’AI générative (modèles qui créent de nouvelles données, comme des images, du texte ou de l’audio) et l’apprentissage de représentations (modèles qui apprennent des caractéristiques ou des schémas utiles à partir de données brutes), où les modèles apprennent des caractéristiques générales à partir de grandes quantités de données. Globalement, si ton problème implique l’exploration, la découverte de schémas ou l’utilisation de données non annotées, l’apprentissage non supervisé est une approche flexible et pratique à envisager.

Exemples concrets d’apprentissage non supervisé en vision par ordinateur#

Voici quelques exemples de cas d’usage où l’apprentissage non supervisé est appliqué à la vision par ordinateur :

• Détection d’anomalies dans la fabrication : Les modèles peuvent apprendre à quoi ressemblent les produits normaux et signaler les défauts ou les irrégularités sans avoir besoin d’exemples annotés de chaque défaut possible.
• Organisation et recherche d’images : De vastes collections d’images, comme des photothèques ou des catalogues e-commerce, peuvent être automatiquement regroupées en fonction de leur similarité visuelle, ce qui facilite leur organisation, leur exploration et leur recherche par les data scientists.
• Vidéosurveillance et sécurité : Les systèmes peuvent analyser des images vidéo afin d’identifier des schémas ou des comportements inhabituels, comme des mouvements inattendus ou des changements dans une foule, sans avoir été explicitement entraînés sur des événements annotés.
• Prétraitement et exploration des données : Les méthodes non supervisées sont souvent utilisées pour explorer et structurer des données d’images brutes avant l’entraînement de modèles supervisés, ce qui contribue à améliorer la qualité des données et à réduire les efforts manuels.

Limites pratiques de l’apprentissage supervisé et non supervisé#

Malgré les avantages de ces deux approches d’apprentissage, certaines limites doivent être prises en compte. Voici quelques facteurs pratiques à garder à l’esprit lors de la création de modèles de vision par ordinateur :

• Surapprentissage des modèles supervisés : En apprentissage supervisé, un modèle peut apprendre les données d’entraînement de manière trop spécifique au lieu d’apprendre des schémas généraux. Cela se produit souvent lorsque le jeu de données est petit ou pas assez diversifié. Par exemple, un modèle entraîné à détecter des défauts sur un type de produit peut échouer lorsqu’il est testé sur de nouvelles données contenant des produits ou des conditions d’éclairage légèrement différents.
• Difficultés liées aux algorithmes de clustering : En apprentissage non supervisé, un modèle peut regrouper des points de données similaires. Toutefois, cette approche peut échouer lorsque les données sont bruitées, incohérentes ou dépourvues de structure claire. Par exemple, dans des tâches de regroupement d’images, des images présentant des couleurs similaires mais des objets différents peuvent être regroupées à tort.
• Importance d’un prétraitement approprié : Avant l’entraînement, les données doivent être nettoyées et préparées. Cette étape est généralement réalisée à l’aide de bibliothèques Python qui gèrent le traitement des images et la transformation des données. Elle est particulièrement importante en vision par ordinateur, où les images peuvent varier en taille, en qualité ou en éclairage. Sans prétraitement approprié, les modèles peuvent apprendre le bruit plutôt que des schémas pertinents, ce qui entraîne de mauvaises performances.

Points clés à retenir#

En vision par ordinateur, l’apprentissage supervisé comme l’apprentissage non supervisé jouent des rôles importants. Le choix de l’approche dépend du type de données dont tu disposes, de leur caractère annoté ou non, ainsi que du problème que tu cherches à résoudre et de tes besoins en matière de déploiement.

Si ton objectif est d’obtenir une grande précision et des sorties clairement définies, le machine learning supervisé est souvent le meilleur choix. Si tu explores des données ou travailles sans annotations, l’apprentissage non supervisé peut être plus adapté.

Tu veux en savoir plus sur l’AI ? Consulte notre communauté et notre dépôt GitHub. Explore nos pages consacrées aux solutions pour en savoir plus sur l’AI en robotique et la vision par ordinateur dans l’agriculture. Découvre nos options de licence et commence dès aujourd’hui à développer avec la vision par ordinateur !