21 février 2025
Joignez-vous à nous pour examiner de plus près les meilleurs ensembles de données de vision par ordinateur de 2025. Découvrez comment des ensembles de données diversifiés et de haute qualité permettent de créer des solutions de Vision IA plus intelligentes.
Saviez-vous que les données jouent un rôle dans presque tout ce que vous faites quotidiennement ? Regarder une vidéo, prendre une photo ou consulter Google Maps contribue au flux constant d'informations capturées par plus de 75 milliards d'appareils connectés. Ces éléments de données constituent le fondement de l'intelligence artificielle (IA). En fait, les modèles avancés de vision par ordinateur comme Ultralytics YOLO11 s'appuient sur des données visuelles pour identifier des schémas, interpréter des images et donner un sens au monde qui nous entoure.
Il est intéressant de noter que la valeur des données ne se résume pas à la quantité. L'important est de savoir dans quelle mesure elles sont organisées et préparées. Si un ensemble de données est désordonné ou incomplet, cela peut entraîner des erreurs. Cependant, lorsque les ensembles de données sont propres et diversifiés, ils aident les modèles de vision par ordinateur à mieux fonctionner, qu'il s'agisse de reconnaître des objets dans une foule ou d'analyser des éléments visuels complexes. Des ensembles de données de haute qualité font toute la différence.
Dans cet article, nous explorerons les meilleurs ensembles de données de vision par ordinateur de 2025 et verrons comment ils contribuent à la création de modèles de vision par ordinateur plus précis et efficaces. Commençons !
Un ensemble de données de vision par ordinateur est une collection d'images ou de vidéos qui aident les systèmes de vision par ordinateur à apprendre à comprendre et à reconnaître les informations visuelles. Ces ensembles de données sont fournis avec des étiquettes ou des annotations qui aident les modèles à reconnaître les objets, les personnes, les scènes et les motifs dans les données.
Ils peuvent être utilisés pour entraîner des modèles de vision par ordinateur, les aidant à améliorer des tâches telles que l'identification de visages, la détection d'objets ou l'analyse de scènes. Plus l'ensemble de données est de qualité (bien organisé, diversifié et précis), meilleures sont les performances du modèle de Vision IA, ce qui conduit à une technologie plus intelligente et plus utile dans la vie quotidienne.
La création d'un jeu de données de vision par ordinateur s'apparente à la préparation de notes d'étude pour apprendre à quelqu'un à voir et à comprendre le monde. Tout commence par la collecte d'images et de vidéos qui correspondent à l'application spécifique que vous développez.
Un ensemble de données idéal comprend divers exemples des objets d'intérêt, capturés sous différents angles, dans diverses conditions d'éclairage et dans de multiples arrière-plans et environnements. Cette variété garantit que le modèle de vision par ordinateur apprend à reconnaître les motifs avec précision et fonctionne de manière fiable dans des scénarios réels.
Après avoir collecté des images et des vidéos pertinentes, l'étape suivante consiste à l'étiquetage des données. Ce processus implique l'ajout de balises, d'annotations ou de descriptions aux données afin que l'IA puisse comprendre ce que chaque image ou vidéo contient.
Les étiquettes peuvent inclure les noms des objets, leurs emplacements, leurs limites ou d'autres détails pertinents qui aident à entraîner le modèle à reconnaître et à interpréter avec précision les informations visuelles. L'étiquetage des données transforme une simple collection d'images en un ensemble de données structurées qui peut être utilisé pour entraîner un modèle de vision par ordinateur.
Vous vous demandez peut-être ce qui fait la qualité d'un ensemble de données. De nombreux facteurs sont impliqués, comme l'étiquetage précis, la diversité et la cohérence. Par exemple, si plusieurs annotateurs étiquettent un ensemble de données de détection d'objets pour identifier les oreilles de chat, l'un peut les étiqueter comme faisant partie de la tête tandis qu'un autre les étiquette séparément comme des oreilles. Cette incohérence peut dérouter le modèle et affecter sa capacité à apprendre correctement.
Voici un aperçu rapide des qualités d'un ensemble de données de vision par ordinateur idéal :
Les modèles Ultralytics YOLO, comme YOLO11, sont conçus pour fonctionner avec des ensembles de données dans un format de fichier YOLO spécifique. Bien qu'il soit facile de convertir vos propres données dans ce format, nous offrons également une option simple pour ceux qui souhaitent commencer à expérimenter immédiatement.
Le package Python Ultralytics prend en charge un large éventail d'ensembles de données de vision par ordinateur, ce qui vous permet de plonger dans des projets utilisant des tâches telles que la détection d'objets, la segmentation d'instances ou l'estimation de pose sans aucune configuration supplémentaire.
Les utilisateurs peuvent facilement accéder à des ensembles de données prêts à l'emploi tels que COCO, DOTA-v2.0, Open Images V7 et ImageNet en spécifiant le nom de l'ensemble de données comme l'un des paramètres de la fonction d'entraînement. Lorsque vous le faites, l'ensemble de données est automatiquement téléchargé et préconfiguré, de sorte que vous pouvez vous concentrer sur la construction et l'affinage de vos modèles.
Les avancées en matière d'IA de vision reposent sur des ensembles de données diversifiés et à grande échelle qui stimulent l'innovation et permettent des percées. Examinons quelques-uns des ensembles de données les plus importants, pris en charge par Ultralytics, qui influencent les modèles de vision par ordinateur.
ImageNet, créé par Fei-Fei Li et son équipe à l'université de Princeton en 2007 et présenté en 2009, est un vaste ensemble de données contenant plus de 14 millions d'images étiquetées. Il est largement utilisé pour entraîner les systèmes à reconnaître et à catégoriser différents objets. Sa conception structurée le rend particulièrement utile pour enseigner aux modèles comment classer les images avec précision. Bien que bien documenté, il se concentre principalement sur la classification d'images et manque d'annotations détaillées pour des tâches telles que la détection d'objets.
Voici un aperçu de certains des principaux atouts d'ImageNet :
Cependant, comme tout ensemble de données, il a ses limites. Voici quelques-uns des défis à prendre en compte :
L'ensemble de données DOTA-v2.0, où DOTA signifie Dataset for Object Detection in Aerial Images (ensemble de données pour la détection d'objets dans les images aériennes), est une vaste collection d'images aériennes créée spécialement pour la détection d'objets par boîtes englobantes orientées (OBB). Dans la détection OBB, des boîtes englobantes pivotées sont utilisées pour s'aligner plus précisément sur l'orientation réelle des objets dans l'image. Cette méthode fonctionne particulièrement bien pour l'imagerie aérienne, où les objets apparaissent souvent sous différents angles, ce qui permet une localisation plus précise et une meilleure détection globale.
Cet ensemble de données comprend plus de 11 000 images et plus de 1,7 million de boîtes englobantes orientées dans 18 catégories d'objets. Les images varient de 800×800 à 20 000×20 000 pixels et comprennent des objets tels que des avions, des navires et des bâtiments.
En raison de ses annotations détaillées, DOTA-v2.0 est devenu un choix populaire pour les projets de télédétection et de surveillance aérienne. Voici quelques-unes des principales caractéristiques de DOTA-v2.0 :
Bien que DOTA-v2 ait de nombreux atouts, voici quelques limitations que les utilisateurs doivent garder à l'esprit :
L'ensemble de données Roboflow 100 (RF100) a été créé par Roboflow avec le soutien d'Intel. Il peut être utilisé pour tester et évaluer les performances des modèles de détection d'objets. Cet ensemble de données de référence comprend 100 ensembles de données différents, sélectionnés parmi plus de 90 000 ensembles de données publics. Il contient plus de 224 000 images et 800 classes d'objets provenant de domaines tels que la santé, les vues aériennes et les jeux.
Voici quelques-uns des principaux avantages de l'utilisation de RF100 :
Malgré ses atouts, RF100 présente également certains inconvénients à garder à l'esprit :
L'ensemble de données COCO est l'un des ensembles de données de vision par ordinateur les plus utilisés, offrant plus de 330 000 images avec des annotations d'images détaillées. Il est conçu pour la détection d'objets, la segmentation et la légende d'images, ce qui en fait une ressource précieuse pour de nombreux projets. Ses étiquettes détaillées, y compris les boîtes englobantes et les masques de segmentation, aident les systèmes à apprendre à analyser les images avec précision.
Cet ensemble de données est reconnu pour sa flexibilité et est utile pour diverses tâches, des projets simples aux projets complexes. Il est devenu une référence dans le domaine de la Vision IA, fréquemment utilisé dans les défis et les compétitions pour évaluer les performances des modèles.
Voici quelques-uns de ses points forts :
Voici quelques facteurs limitants à connaître également :
Open Images V7 est un ensemble de données open source massif, organisé par Google, comprenant plus de 9 millions d'images annotées pour 600 catégories d'objets. Il inclut une variété de types d'annotations et est idéal pour aborder des tâches complexes de vision par ordinateur. Son échelle et sa profondeur en font une ressource complète pour l'entraînement et le test de modèles de vision par ordinateur.
De plus, la popularité du jeu de données Open Images V7 dans la recherche fournit de nombreuses ressources et exemples pour les utilisateurs. Cependant, sa taille massive peut rendre le téléchargement et le traitement longs, en particulier pour les petites équipes. Un autre problème est que certaines annotations peuvent être incohérentes, nécessitant des efforts supplémentaires pour nettoyer les données, et l'intégration n'est pas toujours transparente, ce qui signifie qu'une préparation supplémentaire peut être nécessaire.
Choisir le bon jeu de données est essentiel pour assurer le succès de votre projet de vision par ordinateur. Le meilleur choix dépend de votre tâche spécifique - trouver une bonne correspondance aide votre modèle à acquérir les bonnes compétences. Il doit également s'intégrer facilement à vos outils, afin que vous puissiez vous concentrer davantage sur la construction de votre modèle et moins sur le dépannage.
.webp)
Les ensembles de données de haute qualité sont l'épine dorsale de tout modèle de vision par ordinateur, aidant les systèmes à apprendre à interpréter les images avec précision. Les ensembles de données diversifiés et bien annotés sont particulièrement importants, car ils permettent aux modèles de fonctionner de manière fiable dans des scénarios réels et de réduire les erreurs causées par des données limitées ou de mauvaise qualité.
Ultralytics simplifie le processus d'accès et d'utilisation des jeux de données de vision par ordinateur, ce qui facilite la recherche des données appropriées pour votre projet. Le choix du bon jeu de données est une étape cruciale dans la construction d'un modèle performant, ce qui permet d'obtenir des résultats plus précis et plus percutants.
Rejoignez notre communauté et explorez notre dépôt GitHub pour en savoir plus sur l'IA. Découvrez les avancées telles que la vision par ordinateur pour le secteur de la santé et l'IA dans les voitures autonomes sur nos pages de solutions. Consultez nos options de licence et faites le premier pas pour démarrer avec la vision par ordinateur dès aujourd'hui !
