Gestion intelligente des jeux de données en vision par ordinateur avec Ultralytics Platform

L’IA visuelle, ou vision par ordinateur, a beaucoup évolué depuis ses débuts, passant de la recherche expérimentale à une technologie clé qui alimente des applications concrètes. Aujourd’hui, les passionnés d’IA peuvent créer des modèles performants pour des tâches comme la détection d’objets et la segmentation d’instances à l’aide d’outils et de frameworks accessibles.

Cependant, à mesure que ces applications passent de l’expérimentation à la production, la gestion des jeux de données demeure un défi crucial, souvent négligé. À mesure que les jeux de données de vision par ordinateur gagnent en taille et en complexité, les équipes ont souvent du mal à maintenir des annotations cohérentes, à suivre les changements entre les versions et à garantir la qualité globale des données.

Même les modèles de pointe peuvent être moins performants dans des environnements réels si les données utilisées pour les entraîner sont incomplètes, déséquilibrées ou mal gérées. Cet écart grandissant entre les performances en développement et la fiabilité en conditions réelles explique pourquoi une approche plus structurée de la gestion des jeux de données est nécessaire.

Une autre limite courante est que la collecte des données, l’annotation et l’entraînement sont souvent réalisés à l’aide d’outils distincts. Un flux de travail fragmenté complique la gestion efficace des jeux de données, augmente le risque d’incohérences et ralentit les itérations.

Pour résoudre les freins à l’IA visuelle, comme la gestion des jeux de données et les flux de travail fragmentés, nous avons récemment lancé Ultralytics Platform. Il s’agit d’un espace de travail de bout en bout qui réunit la gestion des jeux de données, l’annotation, l’entraînement, le déploiement et le suivi dans un flux de travail unifié.

En reliant chaque étape du cycle de vie de la vision par ordinateur, il devient plus facile de suivre les changements apportés aux jeux de données, de comparer les performances entre les versions et d’améliorer continuellement tes données pour obtenir de meilleurs résultats.

Fig. 1. Exemple d’affichage des images de ton jeu de données dans Ultralytics Platform (Source)

Dans cet article, nous allons voir comment Ultralytics Platform t’aide à suivre, comparer et améliorer tes jeux de données pour créer des modèles de vision par ordinateur plus fiables. C’est parti !

L’importance de la gestion des jeux de données en vision par ordinateur#

Les performances d’un modèle de vision par ordinateur sont étroitement liées aux données utilisées pour l’entraîner. La précision du modèle, c’est-à-dire la fréquence à laquelle ses prédictions sont correctes, dépend non seulement de l’algorithme, mais aussi de la capacité du jeu de données à représenter les conditions réelles.

En bref, un modèle apprend directement des motifs à partir des données. Toute lacune, tout biais ou toute incohérence dans le jeu de données peut donc influer sur ses prédictions. Autrement dit, des données de mauvaise qualité, des annotations erronées ou une couverture limitée des variations d’images en conditions réelles, comme les différents éclairages, angles des objets, arrière-plans ou degrés d’occultation, peuvent réduire considérablement la précision, même si l’architecture du modèle est solide.

Cela vaut aussi pour le réglage fin d’un modèle, qui consiste à poursuivre l’entraînement d’un modèle préentraîné sur des données nouvelles ou mises à jour afin de mieux l’adapter à un cas d’usage ou à un environnement précis. Puisque la précision du modèle dépend autant des données, il est essentiel de bien les gérer.

La gestion des jeux de données comprend l’organisation, l’étiquetage et la mise à jour continue des données pour qu’elles restent précises et pertinentes. Cela facilite l’amélioration des performances au fil du temps, notamment lors du réentraînement ou du réglage fin des modèles avec de nouvelles données.

Comment la qualité des jeux de données influe sur la fiabilité en conditions réelles#

Les cas d’usage de la vision par ordinateur, comme les systèmes de vidéosurveillance, illustrent parfaitement l’importance d’une bonne gestion des données. Ces systèmes doivent fonctionner de manière fiable dans diverses conditions réelles, notamment avec différents éclairages, angles de caméra, niveaux d’affluence et occultations partielles.

Si les données d’entraînement ne couvrent pas ces variations ou manquent de diversité dans l’apparence des objets selon les scènes et les conditions, le modèle risque d’avoir du mal à détecter les objets avec précision. Par exemple, un modèle entraîné principalement sur des scènes bien éclairées et peu encombrées peut mal fonctionner dans des environnements peu éclairés ou très fréquentés. Dans les systèmes de sécurité, cela peut entraîner des événements non détectés ou de fausses alertes.

Pour éviter cela, il est important de maintenir des jeux de données non seulement propres et correctement étiquetés, mais aussi bien équilibrés et mis à jour en continu. Cela implique de repérer les lacunes dans les données, d’ajouter de nouveaux exemples à mesure que les conditions changent et de veiller à représenter équitablement les différentes classes et les différents environnements.

Avec un jeu de données plus complet et mieux structuré, les modèles sont mieux préparés à gérer la variabilité du monde réel et à produire des prédictions plus fiables.

Aspects clés de la gestion des jeux de données#

Concrètement, en quoi consiste la gestion des jeux de données ? Elle consiste à organiser, étiqueter et maintenir les données afin qu’elles puissent être utilisées efficacement tout au long du processus de développement du modèle.

Par exemple, organiser les données consiste à structurer le jeu de données et à le répartir en ensembles d’entraînement, de validation et de test. L’ensemble d’entraînement sert à enseigner au modèle, l’ensemble de validation sert à suivre ses performances et à orienter les ajustements pendant le développement, et l’ensemble de test sert à évaluer les performances du modèle final sur des données qu’il n’a jamais vues.

L’étiquetage consiste quant à lui à annoter les images avec des informations telles que les étiquettes de classe, les boîtes englobantes ou les masques de segmentation. Puisque le modèle apprend à partir de ces annotations, leur précision et leur cohérence sont essentielles pour l’aider à apprendre des motifs pertinents et à produire des prédictions fiables.

En outre, maintenir le jeu de données implique de revoir et de mettre à jour les données au fil du temps. Cela peut inclure la correction des erreurs d’annotation, la suppression des données de mauvaise qualité ou en double et l’ajout de nouveaux exemples pour couvrir les cas manquants ou l’évolution des conditions.

Plus généralement, la gestion des jeux de données est un processus continu. À mesure que les modèles sont évalués et que de nouvelles données sont collectées, les jeux de données doivent être actualisés pour refléter les conditions réelles et les cas limites. Le suivi de ces mises à jour et la comparaison des différentes versions aident les équipes à comprendre ce qui améliore les performances et quels changements supplémentaires sont nécessaires.

Gérer des jeux de données avec Ultralytics Platform#

Ultralytics Platform propose un flux de travail structuré pour gérer les jeux de données dans un environnement unique, de la préparation des données à leur exportation. La plateforme est conçue pour les développeurs individuels comme pour les équipes et facilite la gestion cohérente des jeux de données, que tu travailles seul ou en collaboration sur plusieurs projets.

Chaque étape est conçue pour simplifier l’organisation, le traitement et l’utilisation des jeux de données tout au long du cycle de développement du modèle. En réunissant ces étapes au même endroit, la plateforme réduit la fragmentation et facilite le maintien de la cohérence entre les flux de travail.

Passons maintenant en revue les principales étapes et voyons comment la plateforme accompagne chacune d’elles.

Importer des jeux de données dans Ultralytics Platform#

La plateforme offre plusieurs options pour commencer à travailler avec des jeux de données, en important ou en réutilisant des données. Tu peux importer tes propres données ou démarrer plus rapidement avec les jeux de données publics disponibles sur la plateforme. Tu peux également cloner des jeux de données existants partagés par la communauté et les enrichir.

Les fonctionnalités communautaires de la plateforme facilitent l’exploration et la réutilisation du travail existant. Grâce à l’accès aux jeux de données créés par d’autres utilisateurs, qui comprennent des millions d’images et d’annotations, tu peux démarrer rapidement sans avoir à tout collecter et étiqueter toi-même. Le clonage d’un jeu de données crée une copie dans ton espace de travail, que tu peux modifier et enrichir tout en préservant l’original.

Pour l’importation, la plateforme prend en charge les images individuelles, les vidéos et les archives de jeux de données, comme les fichiers ZIP, TAR ou GZ. Elle prend également en charge des formats de jeux de données courants comme YOLO et COCO, ce qui facilite l’importation de jeux de données et d’annotations existants sans conversion supplémentaire. Tu peux aussi importer un jeu de données à l’aide d’un fichier NDJSON exporté depuis la plateforme, ce qui permet de recréer ou de réutiliser facilement des jeux de données dans différents projets.

Une fois les données importées, la plateforme les traite selon un pipeline structuré. Cela comprend la validation des formats et tailles de fichiers, le redimensionnement des images au besoin, l’analyse des annotations et la génération de statistiques sur le jeu de données.

Par exemple, les vidéos sont converties en images pour pouvoir servir à l’entraînement, tandis que les images sont optimisées et préparées pour faciliter leur consultation et leur analyse. Après le traitement, les jeux de données sont prêts à être annotés, analysés et utilisés pour entraîner des modèles sur la plateforme.

Annoter des données sur Ultralytics Platform#

Une fois importés, les jeux de données peuvent être examinés et annotés directement sur la plateforme. Celle-ci intègre des outils d’annotation d’images pour diverses tâches de vision par ordinateur, comme la détection d’objets, la segmentation d’instances, l’estimation de pose, la détection par boîte englobante orientée (OBB) et la classification d’images.

Fig. 2. Étiquetage de données avec Ultralytics Platform (Source)

Les annotations peuvent être créées manuellement avec ces outils ou accélérées grâce à des fonctionnalités assistées par l’IA, comme l’annotation intelligente propulsée par SAM. Avec SAM, tu peux générer des masques, des boîtes englobantes ou des boîtes orientées en interagissant avec l’image, ce qui accélère l’étiquetage tout en préservant la précision.

Analyser la qualité des jeux de données avec Ultralytics Platform#

Outre la préparation et l’annotation des données, comprendre la qualité du jeu de données est essentiel pour créer des modèles de vision par ordinateur fiables. Sans visibilité claire sur des facteurs comme la répartition des classes, la qualité des annotations, la répartition des données et leur représentation selon les différentes conditions, il peut être difficile de repérer les problèmes qui nuisent aux performances du modèle.

Ultralytics Platform intègre des fonctionnalités qui facilitent l’analyse des jeux de données. Ces informations sont accessibles directement dans l’interface du jeu de données, via des onglets comme Images, Classes et Graphiques.

Dans l’onglet Graphiques, tu peux consulter des statistiques à l’échelle du jeu de données, comme la répartition des ensembles (entraînement, validation et test), la fréquence des classes et des cartes thermiques des annotations qui indiquent où les objets apparaissent dans les images.

L’onglet Classes présente le nombre d’annotations pour chaque classe, ce qui facilite le repérage des déséquilibres entre classes. L’onglet Images affiche quant à lui des détails sur chaque image, comme ses dimensions, le nombre d’annotations et la répartition des étiquettes dans les différentes images.

Ces informations facilitent le repérage de problèmes comme les déséquilibres entre classes, les situations manquantes ou une répartition inégale des données. Par exemple, tu peux remarquer que certaines classes comportent très peu d’exemples ou que la plupart des annotations se concentrent dans certaines zones d’une image.

Au-delà de l’analyse des données, la plateforme prend en charge la curation et l’augmentation des jeux de données : il s’agit d’affiner les jeux de données en corrigeant ou en supprimant les données problématiques, et de créer des variantes des données existantes pour améliorer les performances du modèle. Tu peux apporter ces améliorations directement sur la plateforme en mettant à jour les annotations, en ajoutant des données ou en réorganisant les ensembles du jeu de données en fonction des résultats de l’analyse.

Exporter des jeux de données depuis Ultralytics Platform#

Une fois le jeu de données préparé et validé, tu peux l’exporter pour l’utiliser dans différents environnements. Tu peux ainsi utiliser tes données de vision par ordinateur où tu le souhaites, que ce soit pour entraîner des modèles en local, dans le cloud ou avec d’autres outils et flux de travail.

Ultralytics Platform prend en charge plusieurs formats d’exportation, notamment YOLO, COCO et NDJSON, ce qui facilite l’intégration des jeux de données à différents outils et flux de travail d’entraînement.

Fig. 3. Exportation d’un jeu de données depuis Ultralytics Platform (Source)

L’exportation d’un jeu de données crée un instantané figé des données à un moment précis, comprenant ses images, ses annotations et sa structure. C’est utile, car les jeux de données changent souvent à mesure que de nouvelles données sont ajoutées, que les annotations sont mises à jour ou que les répartitions sont ajustées. En exportant un instantané, tu peux conserver exactement la version du jeu de données utilisée pour un entraînement donné.

Cela facilite la reproduction ultérieure des résultats, puisque tu peux entraîner de nouveau un modèle avec la même configuration de données et comparer les performances entre différentes versions du jeu de données. Par exemple, tu peux vérifier si l’ajout de nouvelles images ou la correction d’annotations améliore réellement la précision du modèle, au lieu de devoir deviner ce qui a changé.

Les exportations sont traitées de manière asynchrone. Une fois les jeux de données prêts, tu peux les télécharger et les utiliser dans des environnements d’entraînement locaux, cloud ou hors ligne.

Améliorer la qualité des jeux de données par itérations sur Ultralytics Platform#

Dans les flux de travail d’apprentissage automatique et d’apprentissage profond, la gestion des jeux de données se poursuit même après le déploiement, car les données du monde réel diffèrent souvent de celles utilisées pendant l’entraînement.

À mesure que les modèles rencontrent de nouvelles entrées, les lacunes du jeu de données — comme l’absence de conditions telles que les environnements peu éclairés, les différents angles de caméra, les occultations ou les scènes très fréquentées — ainsi que les erreurs d’annotation deviennent plus évidentes, ce qui rend nécessaire l’amélioration des données au fil du temps.

Il existe plusieurs façons d’améliorer un jeu de données. Tu peux ajouter de nouvelles images ou vidéos pour couvrir les situations manquantes, comme les environnements peu éclairés, les différents angles de caméra, les occultations ou les scènes très fréquentées, afin de réduire les angles morts dans les données.

Veiller à l’exactitude et à la cohérence des annotations, par exemple en étiquetant correctement les objets et en traçant précisément les boîtes englobantes ou les masques, aide le modèle à apprendre des motifs plus fiables.

Le processus suit généralement une boucle simple : entraîner le modèle, évaluer les résultats, repérer les erreurs, améliorer le jeu de données, puis réentraîner le modèle. Chaque étape aide à mettre en évidence des problèmes comme les annotations erronées, les données manquantes ou les cas sous-représentés.

Imaginons que tu travailles sur un système de suivi en temps réel des rayons en magasin, conçu pour détecter les produits. Les premières versions du jeu de données peuvent ne pas inclure certains types de produits, conditions d’éclairage ou agencements de rayons très encombrés. Pendant l’évaluation, tu peux constater que le modèle a du mal à détecter les articles dans ces situations.

Pour améliorer les performances, tu peux collecter de nouvelles images couvrant ces scénarios manquants et mettre à jour les annotations au besoin. En répétant ce processus au fil du temps, tu aides le modèle à gagner en précision et en fiabilité dans les conditions réelles.

Ultralytics Platform prend en charge ce flux de travail en reliant les mises à jour des jeux de données à l’entraînement et à l’évaluation. Grâce au suivi intégré des expériences et aux métriques de performance, il devient plus facile de suivre les progrès et d’améliorer continuellement les jeux de données au fil du temps.

Suivre les changements des jeux de données avec Ultralytics Platform#

Nous avons brièvement évoqué l’évolution des jeux de données au fil du temps dans le cadre du processus de développement des modèles. À mesure que de nouvelles données sont ajoutées, que les annotations sont affinées et que les classes sont mises à jour, il devient essentiel de suivre ces changements pour maintenir la qualité des données et garantir des performances constantes des modèles.

Voici quelques fonctionnalités clés d’Ultralytics Platform qui facilitent le suivi des jeux de données et le contrôle des versions :

• Gestion des versions des jeux de données : Tu peux créer des versions figées des jeux de données sous forme d’instantanés NDJSON. Chaque version enregistre des informations clés à un moment précis, comme le nombre d’images, de classes et d’annotations, ainsi que la taille du jeu de données. Ces versions sont conservées et peuvent être téléchargées ultérieurement, ce qui facilite la reproduction des expériences et la comparaison des résultats entre différents états du jeu de données.
• Onglet Versions : Toutes les versions des jeux de données sont regroupées dans l’onglet Versions, où tu peux consulter l’historique des versions, ajouter des descriptions aux modifications et suivre l’évolution du jeu de données au fil du temps.
• Association aux modèles : L’onglet Modèles affiche tous les modèles entraînés sur un jeu de données, avec notamment des métriques comme mAP et des détails sur l’entraînement. Les versions des jeux de données sont associées aux exécutions d’entraînement, ce qui t’aide à comprendre comment les changements apportés aux données influent sur les performances du modèle.
• Onglet Erreurs : L’onglet Erreurs met en évidence les fichiers dont le traitement a échoué, avec les détails des erreurs et des suggestions. Tu peux ainsi repérer et corriger des problèmes comme les fichiers corrompus ou les formats non pris en charge avant l’entraînement.
• Interface du jeu de données (onglets Images et Classes) : Ces vues te permettent de parcourir les images, d’examiner les annotations, de gérer les étiquettes de classe et d’analyser la répartition des classes. Des fonctionnalités comme le filtrage, le tri et le repérage des images non annotées facilitent le suivi de la qualité du jeu de données au fil du temps.
• Statistiques et graphiques : Les visualisations intégrées, comme la répartition des ensembles, la fréquence des classes et les cartes thermiques des annotations, aident à suivre les changements dans la répartition des données et à repérer les déséquilibres au fil de l’évolution du jeu de données.

Fig. 4. Exemple d’analyse de la répartition des classes d’un jeu de données sur Ultralytics Platform (Source)

Relier les jeux de données à l’entraînement et au déploiement dans Ultralytics Platform#

Ultralytics Platform relie les différentes étapes du développement de modèles d’IA au sein d’un pipeline unique. La plateforme simplifie ainsi le passage des données brutes aux applications d’IA visuelle prêtes pour la production.

Une fois préparés et annotés, les jeux de données peuvent servir à entraîner des modèles de vision par ordinateur, comme Ultralytics YOLO26, directement sur la plateforme. Pendant l’entraînement, tu peux suivre les métriques de performance, suivre les expériences et évaluer l’apprentissage du modèle grâce aux tableaux de bord intégrés.

Fig. 5. Aperçu des métriques d’entraînement d’un modèle sur Ultralytics Platform (Source)

Après l’entraînement, tu peux tester les modèles sur de nouvelles images directement dans le navigateur pour évaluer les prédictions et repérer les points à améliorer avant le déploiement. Lorsque le modèle donne de bons résultats, tu peux le déployer en production.

La plateforme permet d’exporter les modèles dans plusieurs formats ou de les déployer via des services d’inférence et des points de terminaison dédiés, afin de les exécuter dans différents environnements.

Une fois les modèles déployés, les outils de suivi intégrés aident à suivre les performances du système au fil du temps, notamment les métriques liées à l’utilisation et au comportement du modèle. Cela facilite la maintenance et l’amélioration des systèmes d’IA visuelle dans des applications concrètes.

Bonnes pratiques de gestion des jeux de données avec Ultralytics Platform#

Voici quelques facteurs clés à garder à l’esprit lorsque tu gères tes jeux de données avec Ultralytics Platform :

• Utilise des filtres pour repérer les lacunes : Repère les données non étiquetées ou sous-représentées à l’aide des outils de filtrage. Tu pourras ainsi compléter plus facilement les annotations et améliorer la couverture.
• Corrige rapidement les erreurs : Utilise l’onglet Erreurs pour contrôler la qualité et repérer les échecs d’importation, les fichiers corrompus ou les formats non pris en charge avant l’entraînement.
• Mets régulièrement les jeux de données à jour : Ajoute de nouvelles données, corrige les annotations et intègre les cas limites à mesure qu’ils se présentent. Cela améliore la couverture et garantit la fiabilité des modèles dans des situations réelles.
• Gère soigneusement les répartitions du jeu de données : Assure un bon équilibre entre les ensembles d’entraînement, de validation et de test. Tu peux réorganiser les répartitions manuellement ou utiliser la redistribution automatique au besoin.

Pour en savoir plus sur Ultralytics Platform, consulte la documentation officielle d’Ultralytics.

Points clés à retenir#

À mesure que les projets de vision par ordinateur prennent de l’ampleur, la gestion efficace des jeux de données devient aussi importante que le développement des modèles. Une approche structurée de la gestion des jeux de données aide à améliorer la qualité des données, à rationaliser les flux de travail et à favoriser de meilleures performances des modèles au fil du temps.

Ultralytics Platform simplifie ce processus en réunissant la gestion des jeux de données, l’entraînement et le déploiement dans un flux de travail unique. En adoptant une approche structurée de la gestion des jeux de données, les équipes peuvent réduire la complexité, gagner en efficacité et créer des systèmes de vision par ordinateur plus évolutifs et plus fiables.

Rejoins notre communauté grandissante et consulte notre dépôt GitHub pour accéder à des ressources sur l’IA. Pour créer dès aujourd’hui des solutions d’IA visuelle, découvre nos options de licence. Découvre comment l’IA dans l’agriculture transforme le secteur agricole et comment l’IA visuelle dans le domaine de la santé façonne l’avenir en consultant nos pages dédiées aux solutions.