Explorer l'apprentissage supervisé vs non supervisé en vision par ordinateur

L'intelligence artificielle (IA) repose sur le concept fondamental d'apprendre aux machines à raisonner de manière similaire à l'intelligence humaine. Tout comme nous apprenons par diverses méthodes, comme l'instruction directe ou l'observation de modèles et d'expériences, les systèmes d'IA et de machine learning sont conçus pour suivre ces mêmes approches.

Plus précisément, en ce qui concerne les algorithmes de machine learning, les systèmes sont entraînés à apprendre à partir de données plutôt que d'être explicitement programmés pour chaque tâche. Au lieu de s'appuyer sur des règles fixes, les modèles de machine learning identifient des modèles 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'IA et du machine learning qui permet aux systèmes d'interpréter et de comprendre des informations visuelles, comme des images et des vidéos. Qu'il s'agisse de reconnaître des objets ou d'identifier des motifs cachés dans de grands jeux de données, ces systèmes dépendent fortement de la manière dont ils sont entraînés à apprendre.

Diverses techniques d'apprentissage IA sont utilisées pour entraîner ces systèmes, en fonction du type de données disponibles et du problème à résoudre.

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

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

Dans cet article, nous explorerons l'apprentissage supervisé et non supervisé, la manière dont ils sont utilisés en vision par ordinateur et comment choisir l'approche la plus adaptée à ton projet de vision IA. Commençons !

Link to this sectionComment les approches d'apprentissage IA alimentent la vision par ordinateur#

Tu peux considérer l'intelligence artificielle comme un parapluie recouvrant une gamme de technologies qui permettent aux machines d'effectuer des tâches nécessitant généralement l'intelligence humaine. Sous ce parapluie, le machine learning est un domaine clé qui permet aux systèmes d'apprendre à partir de données au lieu de ne compter que sur des règles fixes.

Au sein du machine learning, différentes techniques déterminent comment un modèle apprend et s'améliore avec le temps. Des approches comme l'apprentissage supervisé (apprendre à partir de données étiquetées avec des réponses correctes), l'apprentissage non supervisé (identifier des motifs dans des données non étiquetées), l'apprentissage par renforcement (apprendre par essais et erreurs avec des retours ou des récompenses) et l'apprentissage semi-supervisé (combiner une petite quantité de données étiquetées avec une grande quantité de données non étiquetées) définissent la manière dont les systèmes traitent les données d'entrée et génèrent des données de sortie.

Fig 1. Un aperçu des méthodes d'apprentissage IA (Source)

En particulier, les systèmes de vision par ordinateur sont construits en utilisant de telles approches pour interpréter et comprendre les données visuelles. L'apprentissage supervisé est la méthode la plus utilisée, car elle permet aux modèles d'apprendre à partir d'exemples clairement étiquetés et de produire des résultats précis et fiables.

Par exemple, un modèle peut être entraîné sur des images étiquetées « chat » et « chien », apprenant des caractéristiques telles que la forme, les oreilles et la structure faciale pour classifier correctement de nouvelles images à l'aide d'algorithmes de classification. Parallèlement, l'apprentissage non supervisé et semi-supervisé sont également utilisés en vision par ordinateur, souvent pour explorer des motifs dans les données ou pour améliorer les performances lorsque les données étiquetées sont limitées.

Link to this sectionUn aperçu de l'utilisation de 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 de bonnes réponses pour que les élèves apprennent ce qui est juste et ce qui est faux. En machine learning, les modèles apprennent de manière similaire en utilisant des données étiquetées, où chaque entrée est associée à une sortie connue.

Disons que tu travailles sur la construction d'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 séquences vidéo où des objets comme la balle, la batte et les joueurs sont étiquetés.

Chaque objet serait marqué avec sa position et sa catégorie, permettant au modèle d'apprendre quoi chercher. Au fil du temps, le modèle peut détecter et localiser ces objets dans de nouvelles séquences, prenant en charge des cas d'utilisation comme le suivi de la balle et la détection des joueurs à travers les images.

Fig 2. Un exemple de détection d'objets activée par l'apprentissage supervisé (Source)

Au-delà de la détection d'objets, l'apprentissage supervisé est largement utilisé dans toute une gamme de tâches de vision par ordinateur telles que la classification d'images, la segmentation d'instances et l'estimation de pose, où la précision et la cohérence sont importantes. Dans chacune de ces tâches, les modèles apprennent à partir de données étiquetées pour identifier des modèles spécifiques et faire 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 des modèles directement à partir des données. Les réseaux neuronaux sont conçus pour traiter les informations d'une manière vaguement inspirée par le fonctionnement du cerveau humain, permettant aux modèles d'apprendre des caractéristiques visuelles complexes à partir de grands jeux de données.

Les approches de vision par ordinateur antérieures s'appuyaient souvent sur des caractéristiques conçues manuellement combinées à des algorithmes tels que les machines à vecteurs de support (SVM, des modèles qui classifient 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).

En revanche, les modèles de vision par ordinateur d'aujourd'hui utilisent le deep learning pour apprendre automatiquement ces caractéristiques à partir des données, les rendant plus efficaces pour gérer des tâches visuelles à grande échelle et très détaillées.

Link to this sectionComprendre le besoin de modèles d'apprentissage non supervisé en vision IA#

Bien que l'apprentissage supervisé soit l'approche de référence en vision par ordinateur, il existe certaines applications de vision où les données étiquetées ne sont pas disponibles ou sont trop coûteuses et chronophages à créer.

Dans ces cas, les algorithmes d'apprentissage non supervisé peuvent être une alternative utile. Disons que tu disposes d'une vaste collection de photos non étiquetées provenant d'une caméra de vie sauvage.

Il n'y a aucune étiquette indiquant ce que chaque image contient, mais tu souhaites tout de même organiser ou comprendre les données. Un modèle non supervisé peut analyser ces images et regrouper celles qui sont similaires, en séparant les animaux qui se ressemblent en clusters, même sans connaître leurs étiquettes exactes.

Link to this sectionComment 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 des modèles et une structure au sein des données par lui-même. Il recherche des similitudes et des différences dans les données sans s'appuyer sur des exemples étiquetés.

Un cas d'utilisation courant est la détection d'anomalies, où le modèle apprend à quoi ressemblent des données normales, puis identifie tout ce qui en dévie. La détection d'anomalies et de valeurs aberrantes est l'une des applications industrielles les plus percutantes. Les exemples incluent le repérage d'articles défectueux sur une ligne de production, le signalement de scans médicaux inhabituels pour examen par un radiologue ou la détection d'activités suspectes dans des images de surveillance. Parce que les défauts et les anomalies sont souvent rares et variés, étiqueter chaque cas possible est peu pratique, ce qui fait des approches non supervisées un choix naturel.

Pour soutenir cela, des techniques telles que le clustering et la réduction de dimensionnalité sont souvent utilisées, 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 des images similaires en fonction de motifs partagés, 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 motifs et une structure significatifs 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 étiquetées et peut révéler des motifs qui ne sont pas immédiatement évidents. Cependant, il est plus difficile à évaluer et offre moins de contrôle sur le résultat final par rapport à l'apprentissage supervisé.

Link to this sectionL'apprentissage auto-supervisé et semi-supervisé en vision par ordinateur#

En explorant l'apprentissage supervisé et non supervisé, tu pourrais te demander s'il existe un juste milieu entre les deux. Il est intéressant de noter que l'apprentissage auto-supervisé et semi-supervisé comblent le fossé entre l'apprentissage supervisé et non supervisé.

Ces approches permettent aux modèles d'apprendre plus efficacement à partir de données non étiquetées. Au lieu de compter uniquement sur des exemples étiquetés, ils créent soit leurs propres tâches d'apprentissage à partir des données, soit combinent un petit jeu de données étiquetées avec un plus grand jeu de données non étiquetées.

Dans l'apprentissage auto-supervisé, le modèle apprend en résolvant des tâches créées à partir des données elles-mêmes. Par exemple, on peut lui donner une image avec une partie manquante et il apprend à prédire ce qui devrait remplir cet espace, ou il peut apprendre à reconnaître différentes vues du même objet. Cela aide le modèle à apprendre des caractéristiques utiles sans avoir besoin d'étiquettes manuelles.

D'un autre côté, dans l'apprentissage semi-supervisé, une petite quantité de données étiquetées est utilisée avec un plus grand ensemble de données non étiquetées pour améliorer les performances. Dans certains cas, le modèle peut générer des étiquettes pour les données non étiquetées et les utiliser pour continuer à apprendre.

Le principal avantage de ces approches est qu'elles réduisent le besoin de grands jeux de données étiquetées, qui sont souvent coûteux et longs à créer. Cependant, ils peuvent être plus complexes à concevoir et à évaluer par rapport aux méthodes entièrement supervisées.

Link to this sectionDifférences clés entre l'apprentissage supervisé et non supervisé#

La différence entre l'apprentissage supervisé et non supervisé réside dans la manière dont un modèle apprend et ce qu'il cherche à accomplir. Alors que l'apprentissage supervisé repose sur des données étiquetées et une guidance claire pour apprendre des tâches spécifiques, l'apprentissage non supervisé fonctionne sans réponses prédéfinies et se concentre sur la découverte de motifs et de structures au sein des données.

Par exemple, dans un système de surveillance du trafic, un modèle d'apprentissage supervisé peut être entraîné sur des images étiquetées pour détecter des véhicules, des piétons ou des feux de signalisation. En revanche, un modèle non supervisé pourrait analyser de grandes quantités d'images vidéo pour regrouper des modèles de trafic similaires ou identifier des événements inhabituels, comme une congestion inattendue ou un mouvement anormal, sans qu'on lui dise explicitement quoi chercher.

Link to this sectionQuand utiliser l'apprentissage supervisé en vision par ordinateur#

L'apprentissage supervisé est une excellente option pour les tâches de vision par ordinateur où l'objectif est clairement défini et où le modèle doit mapper les données d'entrée vers des sorties précises. Cela fonctionne particulièrement bien lorsque tu disposes d'un jeu de données étiquetées fiable et que tu as besoin de résultats cohérents et prévisibles.

Fig 3. Tâches de vision par ordinateur pilotées par 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 des motifs, l'accent est mis sur l'apprentissage de relations précises à partir de données étiquetées, ce qui facilite le guidage du modèle vers un résultat souhaité.

Un autre avantage clé est le contrôle. Avec l'apprentissage supervisé, il est plus facile de mesurer les performances en utilisant des métriques claires, de peaufiner le modèle et d'assurer un comportement stable lors du déploiement. Cela le rend parfait pour les systèmes qui exigent cohérence et fiabilité dans le temps.

Cependant, cela implique un compromis. Le modèle dépend fortement de la qualité et de l'échelle des données étiquetées, et la collecte ainsi que l'annotation de ces données peuvent être chronophages.

Link to this sectionExemples concrets de vision par ordinateur supervisée#

Les modèles de vision IA comme les modèles Ultralytics YOLO utilisent l'apprentissage supervisé pour effectuer des tâches comme la détection d'objets avec une grande précision, surtout dans les applications en temps réel. Voici quelques cas d'utilisation concrets de vision où l'apprentissage supervisé fait la différence :

• Soins de santé et imagerie médicale : Les médecins peuvent utiliser des systèmes de vision par ordinateur entraînés sur des scans étiquetés, comme des radiographies ou des IRM, où des classifieurs sont utilisés pour identifier des pathologies comme des tumeurs ou des fractures, favorisant des diagnostics plus rapides et plus précis.
• Inspection de qualité industrielle : Dans les environnements de fabrication, les systèmes de vision entraînés sur des données étiquetées peuvent inspecter les produits en analysant un nombre de 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 acceptables et défectueux, ces systèmes peuvent identifier systématiquement les défauts et maintenir les normes de production.
• Conduite autonome : Les systèmes de conduite autonome s'appuient sur des modèles entraînés sur des données de conduite étiquetées pour reconnaître les voies, les véhicules, les piétons et les panneaux de signalisation, aidant les véhicules à naviguer en toute sécurité en temps réel.
• Systèmes de vente au détail et de paiement : Les magasins utilisent des modèles entraînés sur des images de produits étiquetées pour identifier les articles sur les étagères ou au moment du paiement, permettant une facturation automatisée et une gestion des stocks plus efficace. Ces systèmes peuvent également prendre en charge des tâches comme la segmentation des clients lorsqu'ils sont combinés avec des données supplémentaires, aidant les entreprises à mieux comprendre les habitudes d'achat.
• Agriculture et surveillance des cultures : Les agriculteurs peuvent utiliser des modèles entraînés sur des images étiquetées pour détecter et classer les cultures, par exemple en identifiant et en comptant les pommes de terre saines et endommagées, améliorant ainsi le contrôle qualité et réduisant les pertes.

Fig 4. Utilisation de YOLO pour détecter et compter des pommes de terre saines et défectueuses

Link to this sectionQuels types de problèmes en vision par ordinateur l'apprentissage non supervisé peut-il résoudre#

L'apprentissage non supervisé est utile lorsque tu ne disposes pas d'assez de données étiquetées ou lorsque tes données ne sont pas accompagnées de réponses claires. Dans ces situations, l'objectif n'est pas de faire des prédictions exactes, mais de comprendre les modèles et la structure dans les données.

Il est souvent utilisé lors de l'exploration d'un jeu de données non étiquetées pour la première fois. Au lieu de dire au modèle quoi chercher, tu lui permets d'identifier lui-même des similitudes, de regrouper des images connexes ou de mettre en évidence des modèles inhabituels.

Dans une vaste collection d'images, une approche non supervisée peut aider à organiser des images similaires ou à signaler des valeurs aberrantes qui pourraient nécessiter une attention particulière. Cela en fait un point de départ utile pour les projets de science des données.

Les modèles génératifs, y compris les GAN, les auto-encodeurs variationnels et les modèles de diffusion, apprennent la distribution sous-jacente des images pour en créer de totalement nouvelles. Ces modèles alimentent des applications telles que la synthèse d'images, l'inpainting, la super-résolution et le transfert de style, et ils constituent l'épine dorsale des systèmes d'IA générative d'aujourd'hui.

Dans la segmentation non supervisée, certaines méthodes regroupent les pixels ou les régions en segments cohérents sans s'appuyer sur des masques étiquetés, ce qui 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 percutant lorsqu'on travaille avec de grands jeux de données où l'étiquetage est chronophage ou peu pratique. Dans de tels cas, il te permet d'obtenir des informations à partir des données sans s'appuyer sur des données d'entraînement étiquetées.

Il est également couramment utilisé dans des domaines tels que l'IA 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 motifs utiles à partir de données brutes), où les modèles apprennent des caractéristiques générales à partir de grandes quantités de données. Dans l'ensemble, si ton problème implique l'exploration, la découverte de modèles ou le travail avec des données non étiquetées, l'apprentissage non supervisé est une approche flexible et pratique à envisager.

Link to this sectionExemples concrets d'apprentissage non supervisé en vision par ordinateur#

Voici quelques exemples de cas d'utilisation où l'apprentissage non supervisé est appliqué en vision par ordinateur :

• Détection d'anomalies dans la fabrication : Les modèles peuvent apprendre à quoi ressemblent des produits normaux et peuvent signaler des défauts ou des irrégularités sans avoir besoin d'exemples étiquetés de chaque défaut possible.
• Organisation et recherche d'images : Les grandes collections d'images, comme les photothèques ou les catalogues de commerce électronique, peuvent être automatiquement regroupées en fonction de la similitude visuelle, ce qui facilite pour les data scientists l'organisation, l'exploration et la recherche dans de vastes jeux de données.
• Surveillance et sécurité : Les systèmes peuvent analyser des images vidéo pour identifier des modèles ou comportements inhabituels, comme un mouvement inattendu ou des changements de foule, sans avoir été explicitement entraînés sur des événements étiquetés.
• Prétraitement et exploration des données : Les méthodes non supervisées sont souvent utilisées pour explorer et structurer les données d'image brutes avant d'entraîner des modèles supervisés, aidant à améliorer la qualité des données et à réduire l'effort manuel.

Link to this sectionLimites pratiques de l'apprentissage supervisé et non supervisé#

Malgré les avantages des deux approches d'apprentissage, il existe certaines limites à prendre en compte. Voici quelques facteurs pratiques à garder à l'esprit lors de la construction de modèles de vision par ordinateur :

• Surapprentissage (overfitting) dans les modèles supervisés : Dans l'apprentissage supervisé, un modèle peut apprendre les données d'entraînement trop étroitement au lieu d'apprendre des modèles généraux. Cela arrive 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 composées de produits légèrement différents ou de conditions d'éclairage variées.
• Défis avec les algorithmes de clustering : Dans l'apprentissage non supervisé, un modèle peut regrouper des points de données similaires. Cependant, cela peut échouer lorsque les données sont bruitées, incohérentes ou manquent d'une structure claire. Par exemple, dans les tâches de regroupement d'images, des images avec des couleurs similaires mais des objets différents pourraient être regroupées incorrectement.
• Importance d'un prétraitement approprié : Avant l'entraînement, les données doivent être nettoyées et préparées. Cela est généralement fait en utilisant des bibliothèques Python qui gèrent le traitement d'image et la transformation des données. C'est particulièrement important en vision par ordinateur, où les images peuvent varier en taille, qualité ou éclairage. Sans un prétraitement approprié, les modèles peuvent apprendre à partir du bruit plutôt que de motifs significatifs, entraînant de faibles performances.

Link to this sectionPoints clés#

En vision par ordinateur, l'apprentissage supervisé et non supervisé jouent tous deux des rôles importants. La bonne approche dépend du type de données dont tu disposes, qu'elles soient étiquetées ou non, ainsi que du problème que tu essaies de résoudre et de tes besoins de déploiement.

Si ton objectif est une haute précision et des sorties clairement définies, le machine learning supervisé est souvent le meilleur choix. Si tu explores des données ou si tu travailles sans étiquettes, l'apprentissage non supervisé peut être plus approprié.

Tu veux en savoir plus sur l'IA ? Jette un œil à notre communauté et notre dépôt GitHub. Explore nos pages de solutions pour en apprendre davantage sur l'IA dans la robotique et la vision par ordinateur en agriculture. Découvre nos options de licence et commence à construire avec la vision par ordinateur dès aujourd'hui !