Élagage et quantification en vision par ordinateur : guide rapide

Les appareils edge deviennent de plus en plus courants avec les progrès technologiques. Des montres connectées qui suivent ton rythme cardiaque aux drones aériens qui surveillent les rues, les systèmes edge peuvent traiter les données localement et en temps réel, directement sur l’appareil.

Cette méthode est souvent plus rapide et plus sécurisée que l’envoi des données vers le cloud, en particulier pour les applications qui traitent des données personnelles, comme la détection des plaques d’immatriculation ou le suivi des gestes. Ce sont des exemples de vision par ordinateur, une branche de l’intelligence artificielle (AI) qui permet aux machines d’interpréter et de comprendre les informations visuelles.

Fig. 1. Un exemple de détection de plaques d’immatriculation. (Source)

Cependant, un point important à prendre en compte est que ces applications nécessitent des modèles d’AI de vision capables de gérer des calculs lourds, d’utiliser un minimum de ressources et de fonctionner de manière autonome. La plupart des modèles de vision par ordinateur sont conçus pour des systèmes hautes performances, ce qui les rend moins adaptés à un déploiement direct sur des appareils edge.

Pour combler cet écart, les développeurs appliquent souvent des optimisations ciblées afin d’adapter le modèle pour qu’il fonctionne efficacement sur du matériel plus compact. Ces ajustements sont essentiels pour les déploiements edge dans le monde réel, où la mémoire et la puissance de calcul sont limitées.

Fait intéressant, les modèles de vision par ordinateur comme Ultralytics YOLO11 sont déjà conçus pour être efficaces sur les appareils edge, ce qui les rend excellents pour les tâches en temps réel. Cependant, leurs performances peuvent être encore améliorées grâce à des techniques d’optimisation des modèles telles que l’élagage et la quantification, qui permettent une inférence encore plus rapide et une utilisation moindre des ressources sur les appareils aux capacités limitées.

Dans cet article, nous allons examiner de plus près ce que sont l’élagage et la quantification, comment ils fonctionnent et comment ils peuvent aider les modèles YOLO à être performants dans des déploiements edge réels. C’est parti !

Élagage et quantification : techniques fondamentales de l’optimisation des modèles#

Lors de la préparation de modèles d’AI de vision pour un déploiement sur des appareils edge, l’un des principaux objectifs consiste à rendre le modèle léger et fiable sans sacrifier ses performances. Cela implique souvent de réduire la taille du modèle et ses exigences en matière de calcul afin qu’il puisse fonctionner efficacement sur du matériel disposant d’une mémoire, d’une puissance ou d’une capacité de traitement limitées. Deux méthodes courantes pour y parvenir sont l’élagage et la quantification.

L’élagage est une technique d’optimisation des modèles d’AI qui contribue à rendre les réseaux neuronaux plus compacts et plus efficaces. Dans de nombreux cas, certaines parties d’un modèle, comme certaines connexions ou certains nœuds, contribuent peu à ses prédictions finales. L’élagage consiste à identifier et à supprimer ces parties moins importantes, ce qui réduit la taille du modèle et accélère ses performances.

La quantification, quant à elle, est une technique d’optimisation qui réduit la précision des nombres utilisés par un modèle. Au lieu de s’appuyer sur des nombres à virgule flottante de 32 bits haute précision, le modèle utilise des formats plus compacts et plus efficaces, comme les entiers de 8 bits. Ce changement contribue à réduire l’utilisation de la mémoire et à accélérer l’inférence, c’est-à-dire le processus au cours duquel le modèle effectue des prédictions.

Fig. 2. Un aperçu de l’élagage et de la quantification. (Source)

Fonctionnement de l’élagage et de la quantification#

Maintenant que nous comprenons mieux ce que sont l’élagage et la quantification, voyons comment ils fonctionnent tous les deux.

L’élagage s’effectue au moyen d’un processus appelé analyse de sensibilité. Celui-ci identifie les parties des modèles de réseaux neuronaux, comme certains poids, neurones ou canaux, qui contribuent le moins à la prédiction finale. Ces parties peuvent être supprimées avec un effet minimal sur la précision. Après l’élagage, le modèle est généralement réentraîné afin d’affiner ses performances. Ce cycle peut être répété pour trouver le bon équilibre entre sa taille et sa précision.

De son côté, la quantification des modèles se concentre sur la manière dont le modèle gère les données. Elle commence par une calibration, au cours de laquelle le modèle s’exécute sur des données d’exemple pour apprendre la plage de valeurs qu’il doit traiter. Ces valeurs sont ensuite converties d’un format à virgule flottante de 32 bits vers des formats de précision inférieure, comme les entiers de 8 bits.

Fig. 3. La quantification contribue à réduire la taille et la complexité des modèles. (Source)

Plusieurs outils facilitent l’utilisation de l’élagage et de la quantification dans les projets d’AI réels. La plupart des frameworks d’AI, comme PyTorch et TensorFlow, intègrent la prise en charge de ces techniques d’optimisation, ce qui permet aux développeurs de les intégrer directement au processus de déploiement des modèles.

Une fois le modèle optimisé, des outils comme ONNX Runtime peuvent contribuer à l’exécuter efficacement sur diverses plateformes matérielles, notamment des serveurs, des ordinateurs de bureau et des appareils edge. Ultralytics propose également des intégrations qui permettent d’exporter les modèles YOLO dans des formats adaptés à la quantification, ce qui facilite la réduction de leur taille et l’amélioration de leurs performances.

Vue d’ensemble de l’optimisation des modèles Ultralytics YOLO#

Les modèles Ultralytics YOLO comme YOLO11 sont largement reconnus pour leur détection d’objets rapide en une seule étape, ce qui les rend idéaux pour les tâches d’AI de vision en temps réel. Ils sont déjà conçus pour être suffisamment légers et efficaces pour un déploiement edge. Cependant, les couches responsables du traitement des caractéristiques visuelles, appelées couches convolutionnelles, peuvent encore nécessiter une puissance de calcul considérable pendant l’inférence.

Tu te demandes peut-être pourquoi Ultralytics YOLO11 aurait besoin d’une optimisation supplémentaire s’il est déjà optimisé pour une utilisation edge. En termes simples, tous les appareils edge ne se ressemblent pas. Certains fonctionnent sur du matériel très limité, comme de minuscules processeurs embarqués qui consomment moins d’énergie qu’une ampoule LED standard.

Dans ces cas, même un modèle rationalisé comme Ultralytics YOLO11 nécessite une optimisation supplémentaire pour garantir des performances fluides et fiables. Des techniques comme l’élagage et la quantification contribuent à réduire la taille du modèle et à accélérer l’inférence sans affecter significativement la précision, ce qui les rend idéales pour ces environnements aux capacités limitées.

Pour faciliter l’application de ces techniques d’optimisation, Ultralytics prend en charge diverses intégrations qui peuvent être utilisées pour exporter les modèles YOLO dans plusieurs formats comme ONNX, TensorRT, OpenVINO, CoreML et PaddlePaddle. Chaque format est conçu pour fonctionner efficacement avec certains types de matériel et d’environnements de déploiement.

Par exemple, ONNX est souvent utilisé dans les workflows de quantification en raison de sa compatibilité avec un large éventail d’outils et de plateformes. TensorRT, quant à lui, est fortement optimisé pour les appareils NVIDIA et prend en charge l’inférence à faible précision avec INT8, ce qui le rend idéal pour les déploiements haute vitesse sur les GPU edge.

Cas d’usage à fort impact de l’optimisation des modèles Ultralytics YOLO#

À mesure que la vision par ordinateur s’étend à diverses applications concrètes, les modèles YOLO optimisés permettent d’exécuter des tâches comme la détection d’objets, la segmentation d’instances et le suivi d’objets sur du matériel plus compact et plus rapide. Examinons maintenant quelques cas d’usage où l’élagage et la quantification rendent ces tâches de vision par ordinateur plus efficaces et plus pratiques.

Surveillance intelligente optimisée par Ultralytics YOLO11#

De nombreux espaces industriels, ainsi que les lieux publics, dépendent d’une surveillance en temps réel pour rester sûrs et sécurisés. Des endroits comme les stations de transport, les sites de fabrication et les grandes installations en extérieur ont besoin de systèmes d’AI de vision capables de détecter rapidement et précisément les personnes ou les véhicules. Souvent, ces lieux disposent d’une connectivité limitée et sont soumis à des contraintes matérielles, ce qui complique le déploiement de modèles volumineux.

Dans de tels cas, un modèle d’AI de vision optimisé comme Ultralytics YOLO11 constitue une excellente solution. Sa taille compacte et ses performances rapides le rendent idéal pour fonctionner sur des appareils edge basse consommation, comme des caméras embarquées ou des capteurs intelligents. Ces modèles peuvent traiter les données visuelles directement sur l’appareil, ce qui permet de détecter en temps réel les violations des règles de sécurité, les accès non autorisés ou les activités anormales, sans dépendre d’un accès constant au cloud.

Fig. 4. Ultralytics YOLO11 peut être utilisé pour surveiller des lieux publics comme les stations de métro.

Améliorer la sécurité sur les chantiers avec Ultralytics YOLO11#

Les chantiers sont des environnements dynamiques et imprévisibles, où se côtoient engins lourds, ouvriers en mouvement et activité constante. Les conditions peuvent changer rapidement en raison de modifications des horaires, des déplacements d’équipements ou même de changements soudains de la météo. Dans un cadre aussi dynamique, assurer la sécurité des travailleurs peut sembler être un défi permanent.

La surveillance en temps réel joue un rôle essentiel, mais les systèmes traditionnels dépendent souvent d’un accès au cloud ou d’un matériel coûteux qui peut ne pas être adapté au site. C’est là que des modèles comme Ultralytics YOLO11 peuvent faire la différence. YOLO11 peut être optimisé pour fonctionner sur de petits appareils edge efficaces, directement sur le site et sans connexion Internet.

Prenons par exemple un grand chantier, comme l’agrandissement d’une autoroute qui s’étend sur plusieurs hectares. Dans ce type d’environnement, suivre manuellement chaque véhicule ou équipement peut être difficile et chronophage. Un drone équipé d’une caméra et d’un modèle Ultralytics YOLO11 optimisé peut aider en détectant et en suivant automatiquement les véhicules, en surveillant la circulation et en identifiant les problèmes de sécurité comme les accès non autorisés ou les comportements de conduite dangereux.

Fig. 5. Analyse d’images de drone prises sur un chantier. (Source)

Avantages et inconvénients de l’élagage et de la quantification en vision par ordinateur#

Voici quelques avantages clés offerts par les méthodes d’optimisation des modèles de vision par ordinateur comme l’élagage et la quantification :

• Déploiement économique : des modèles plus compacts et plus efficaces peuvent réduire le besoin en matériel haut de gamme coûteux, rendant l’AI plus accessible et évolutive pour différents cas d’usage.
• Latence réduite : en simplifiant l’architecture du modèle et en réduisant la surcharge de calcul, ces techniques peuvent contribuer à obtenir des temps de réponse plus rapides dans les applications en temps réel.
• Efficacité énergétique : la réduction de la charge de calcul diminue également la consommation d’énergie, ce qui est particulièrement utile pour les systèmes mobiles ou alimentés par batterie.

Bien que l’élagage et la quantification offrent de nombreux avantages, ils impliquent également certains compromis que les développeurs doivent prendre en compte lors de l’optimisation des modèles. Voici quelques limites à garder à l’esprit :

• Compromis liés à la précision : si l’élagage est trop agressif ou si une quantification avec un nombre de bits très faible est utilisée, la précision du modèle, mesurée par des métriques comme mAP, peut diminuer.
• Contraintes matérielles : tous les appareils ne prennent pas aussi bien en charge les formats de précision inférieure comme INT8. Cela peut limiter les lieux et les modalités de déploiement d’un modèle optimisé.
• Complexité de mise en œuvre : obtenir de bons résultats nécessite souvent un réglage minutieux et spécifique au modèle. Les développeurs peuvent devoir réentraîner le modèle et effectuer des tests approfondis pour maintenir les performances tout en améliorant l’efficacité.

Points clés à retenir#

L’élagage et la quantification sont des techniques utiles qui aident les modèles YOLO à être plus performants sur les appareils edge. Elles réduisent la taille du modèle, diminuent ses besoins en calcul et accélèrent les prédictions, le tout sans perte notable de précision.

Ces méthodes d’optimisation donnent également aux développeurs la flexibilité nécessaire pour adapter les modèles à différents types de matériel sans devoir les reconstruire entièrement. Avec quelques réglages et tests, il devient plus facile d’appliquer l’AI de vision à des situations réelles.

Rejoins notre communauté grandissante ! Explore notre dépôt GitHub pour en savoir plus sur l’AI. Tu es prêt à commencer tes projets de vision par ordinateur ? Consulte nos options de licence. Découvre l’AI dans l’agriculture et l’AI de vision dans le secteur de la santé en consultant nos pages consacrées aux solutions !