Élagage et quantification en vision par ordinateur : guide rapide

Les appareils de périphérie sont de plus en plus courants avec les progrès technologiques. Des montres connectées qui suivent ta fréquence cardiaque aux drones aériens qui surveillent les rues, les systèmes de périphérie 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 impliquant 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 (IA) qui permet aux machines d’interpréter et de comprendre les informations visuelles.

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

Cependant, il faut tenir compte du fait que ces applications nécessitent des modèles d’IA visuelle capables d’effectuer des calculs intensifs, 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 de périphérie.

Pour combler cet écart, les développeurs appliquent souvent des optimisations ciblées afin d’adapter le modèle à du matériel plus modeste et de lui permettre de fonctionner efficacement. Ces ajustements sont essentiels pour les déploiements en périphérie dans des conditions réelles, 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 en périphérie, ce qui les rend parfaitement adaptés aux tâches en temps réel. Cependant, leurs performances peuvent encore être améliorées grâce à des techniques d’optimisation des modèles comme l’élagage et la quantification, qui permettent une inférence encore plus rapide et une utilisation réduite des ressources sur les appareils aux capacités limitées.

Dans cet article, nous allons examiner de plus près l’élagage et la quantification, leur fonctionnement et la façon dont ces techniques peuvent aider les modèles YOLO à être performants lors de déploiements en périphérie dans des conditions réelles. C’est parti !

Élagage et quantification : techniques fondamentales d’optimisation des modèles#

Lorsqu’on prépare des modèles d’IA visuelle pour un déploiement sur des appareils de périphérie, l’un des principaux objectifs est de rendre le modèle léger et fiable sans sacrifier ses performances. Cela implique souvent de réduire sa taille et ses besoins en calcul afin qu’il puisse fonctionner efficacement sur du matériel disposant de peu de mémoire, d’énergie ou de capacité de traitement. L’élagage et la quantification sont deux méthodes couramment utilisées à cette fin.

L’élagage est une technique d’optimisation de modèle en IA qui permet de réduire la taille des réseaux neuronaux et d’en améliorer l’efficacité. Dans de nombreux cas, certaines parties d’un modèle, comme des connexions ou des nœuds, contribuent peu à ses prédictions finales. L’élagage consiste à repérer et à supprimer ces éléments moins importants, ce qui réduit la taille du modèle et accélère son exécution.

La quantification, quant à elle, est une technique d’optimisation qui réduit la précision des nombres utilisés par un modèle. Au lieu d’utiliser des nombres à virgule flottante de 32 bits haute précision, le modèle passe à des formats plus compacts et plus efficaces, comme les entiers de 8 bits. Ce changement réduit l’utilisation de la mémoire et accélère l’inférence, c’est-à-dire le processus par lequel le modèle effectue des prédictions.

Fig. 2. 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 fonctionnent ces deux techniques.

L’élagage repose sur un processus appelé analyse de sensibilité. Celui-ci permet de déterminer quelles parties des réseaux neuronaux, comme certains poids, neurones ou canaux, contribuent le moins à la prédiction finale. Ces éléments peuvent être supprimés 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.

La quantification des modèles, quant à elle, porte sur la manière dont le modèle traite les données. Elle commence par une étape d’étalonnage, au cours de laquelle le modèle traite des données d’exemple pour apprendre la plage de valeurs dont il a besoin. Ces valeurs sont ensuite converties du format à virgule flottante de 32 bits vers des formats de précision inférieure, comme les entiers de 8 bits.

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

Plusieurs outils facilitent l’utilisation de l’élagage et de la quantification dans des projets d’IA concrets. La plupart des frameworks d’IA, 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 aider à l’exécuter efficacement sur différentes plateformes matérielles, notamment des serveurs, des ordinateurs de bureau et des appareils de périphérie. Ultralytics propose également des intégrations qui permettent d’exporter les modèles YOLO dans des formats adaptés à la quantification (par exemple, quantize=8 pour INT8 lorsque le format le permet), ce qui facilite la réduction de la taille du modèle et l’amélioration des performances.

Présentation 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’IA visuelle en temps réel. Ils sont déjà conçus pour être suffisamment légers et efficaces en vue d’un déploiement en périphérie. Cependant, les couches chargées de traiter les caractéristiques visuelles, appelées couches convolutionnelles, peuvent tout de même nécessiter une puissance de calcul considérable pendant l’inférence.

Tu te demandes peut-être pourquoi Ultralytics YOLO11 a besoin d’une optimisation supplémentaire s’il est déjà optimisé pour la périphérie. Tout simplement parce que les appareils de périphérie ne se valent pas tous. Certains fonctionnent avec 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 nuire sensiblement à la précision, ce qui les rend idéales dans les environnements soumis à ces contraintes.

Pour faciliter l’application de ces techniques d’optimisation, Ultralytics prend en charge diverses intégrations permettant d’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 flux de travail de quantification grâce à sa compatibilité avec un large éventail d’outils et de plateformes. TensorRT, en revanche, est hautement optimisé pour les appareils NVIDIA et prend en charge l’inférence à faible précision avec INT8, ce qui le rend idéal pour le déploiement à grande vitesse sur des GPU de périphérie.

Cas d’usage marquants de l’optimisation des modèles Ultralytics YOLO#

À mesure que la vision par ordinateur se développe dans 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. Voyons 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 avec Ultralytics YOLO11#

De nombreux espaces industriels ainsi que des lieux publics dépendent d’une surveillance en temps réel pour garantir la sécurité. Les stations de transport, les sites de fabrication et les grandes installations en plein air ont besoin de systèmes d’IA visuelle capables de détecter rapidement et précisément les personnes ou les véhicules. Souvent, ces lieux disposent d’une connectivité limitée et de matériel aux capacités restreintes, ce qui complique le déploiement de grands modèles.

Dans ce type de situation, un modèle d’IA visuelle optimisé comme Ultralytics YOLO11 est une excellente solution. Sa taille compacte et ses performances rapides le rendent idéal pour fonctionner sur des appareils de périphérie à faible consommation, comme des caméras embarquées ou des capteurs intelligents. Ces modèles peuvent traiter les données visuelles directement sur l’appareil et ainsi détecter en temps réel les infractions aux règles de sécurité, les accès non autorisés ou les activités anormales, sans dépendre d’un accès permanent au cloud.

Fig. 4. Ultralytics YOLO11 peut servir à surveiller des lieux publics comme les stations de métro.

Renforcer la sécurité sur les chantiers avec Ultralytics YOLO11#

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

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

Prenons l’exemple d’un grand chantier, comme l’élargissement d’une autoroute sur plusieurs hectares. Dans ce contexte, suivre manuellement chaque véhicule ou chaque équipement peut s’avérer difficile et chronophage. Un drone équipé d’une caméra et d’un modèle Ultralytics YOLO11 optimisé peut détecter et suivre automatiquement les véhicules, surveiller la circulation et repérer 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-uns des principaux avantages qu’offrent des méthodes d’optimisation des modèles de vision par ordinateur comme l’élagage et la quantification :

• Déploiement économique : des modèles plus petits et plus efficaces peuvent réduire le besoin en matériel haut de gamme coûteux, rendant l’IA plus accessible et évolutive dans différents cas d’usage.
• Latence réduite : en simplifiant l’architecture du modèle et en diminuant la charge de calcul, ces techniques peuvent accélérer les temps de réponse des 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.

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

• Compromis sur la précision : si l’élagage est trop agressif ou si une quantification à très faible nombre de bits est utilisée, la précision du modèle, mesurée à l’aide de métriques comme mAP, peut diminuer.
• Contraintes matérielles : tous les appareils ne prennent pas aussi bien en charge les formats à précision réduite 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, propre à chaque modèle. Les développeurs peuvent devoir réentraîner le modèle et effectuer de nombreux tests pour préserver ses performances tout en améliorant son efficacité.

Points clés à retenir#

L’élagage et la quantification sont des techniques utiles qui améliorent les performances des modèles YOLO sur les appareils de périphérie. Elles réduisent la taille du modèle, diminuent ses besoins en calcul et accélèrent les prédictions, généralement au prix d’une légère perte de précision.

Ces méthodes d’optimisation offrent également aux développeurs la flexibilité nécessaire pour adapter les modèles à différents types de matériel, sans avoir à les reconstruire entièrement. Avec quelques réglages et tests, il devient plus facile d’utiliser l’IA visuelle dans des situations concrètes.

Rejoins notre communauté grandissante ! Consulte notre dépôt GitHub pour en savoir plus sur l’IA. Tu souhaites démarrer tes projets de vision par ordinateur ? Découvre nos options de licence. Découvre l’IA dans l’agriculture et l’IA visuelle dans le secteur de la santé en consultant nos pages de solutions !