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

La vision par IA, ou vision par ordinateur, a parcouru un long chemin depuis ses débuts, passant de la recherche expérimentale à une technologie essentielle qui alimente des applications concrètes. Aujourd'hui, les passionnés d'IA peuvent créer des modèles puissants 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 reste un défi essentiel et souvent négligé. À mesure que les jeux de données de vision par ordinateur gagnent en taille et en complexité, les équipes peinent souvent à maintenir des annotations cohérentes, à suivre les changements entre les versions et à garantir la qualité globale des données.

Même les modèles les plus avancés peuvent être moins performants dans des environnements réels si les données sur lesquelles ils sont entraînés sont incomplètes, déséquilibrées ou mal gérées. Cet écart croissant entre les performances en développement et la fiabilité dans le monde réel explique pourquoi une approche plus structurée de la gestion des jeux de données est nécessaire.

Une autre limite courante est que la collecte, l'annotation et l'entraînement des données sont souvent effectués avec des outils distincts. Un workflow fragmenté complique la gestion efficace des jeux de données, augmente le risque d'incohérences et ralentit les itérations.

Pour résoudre les problèmes de la vision par IA, comme la gestion des jeux de données et les workflows fragmentés, nous avons récemment lancé Ultralytics Platform. Il s'agit d'un espace de travail de bout en bout qui regroupe la gestion des jeux de données, l'annotation, l'entraînement, le déploiement et la supervision au sein d'un workflow 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'affiner 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 afin de 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 sur lesquelles il est entraîné. 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 termes simples, un modèle apprend directement des schémas présents dans les données. Ainsi, toute lacune, tout biais ou toute incohérence dans le jeu de données peut influencer la manière dont il effectue ses prédictions. Autrement dit, des données de mauvaise qualité, des annotations incorrectes ou une couverture limitée des variations réelles des images, comme les différentes conditions d'éclairage, les angles des objets, les arrière-plans ou les niveaux d'occlusion, peuvent réduire considérablement la précision, même si l'architecture du modèle est solide.

Cela s'applique également lors de l'affinage d'un modèle, lorsqu'un modèle préentraîné est entraîné davantage sur des données nouvelles ou mises à jour afin de mieux l'adapter à un cas d'usage ou à un environnement spécifique. Comme la précision du modèle dépend tellement des données, il devient essentiel de gérer correctement ces dernières.

La gestion des jeux de données comprend l'organisation, l'étiquetage et la mise à jour continue des données afin qu'elles restent exactes et pertinentes. Il devient ainsi plus facile d'améliorer les performances au fil du temps, notamment lors du réentraînement ou de l'affinage des modèles sur de nouvelles données.

Comment la qualité des jeux de données influence la fiabilité dans le monde réel#

Les cas d'usage de la vision par ordinateur, comme les systèmes de vidéosurveillance, illustrent parfaitement pourquoi une bonne gestion des données est essentielle. Ces systèmes doivent fonctionner de manière fiable dans diverses conditions réelles, notamment avec différents environnements d'éclairage, angles de caméra, niveaux de densité de foule et occlusions partielles.

Si les données d'entraînement ne couvrent pas ces variations ou manquent de diversité quant à l'apparence des objets dans différentes scènes et conditions, le modèle peut avoir du mal à détecter les objets avec précision. Par exemple, un modèle entraîné principalement sur des scènes bien éclairées et dégagées peut être peu performant dans des environnements peu éclairés ou très fréquentés. Dans les systèmes de sécurité, cela peut entraîner des événements manqués ou de fausses alertes.

Pour éviter cela, il est important de conserver des jeux de données qui soient non seulement propres et annotés avec précision, mais aussi bien équilibrés et continuellement mis à jour. Cela signifie qu'il faut identifier les lacunes dans les données, ajouter de nouveaux exemples à mesure que les conditions évoluent et s'assurer que les différentes classes et les différents environnements sont représentés de manière équilibrée.

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

Aspects clés de la gestion des jeux de données#

Alors, à quoi ressemble concrètement 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.

L'organisation des données comprend par exemple la structuration du jeu de données et sa division en ensembles d'entraînement, de validation et de test. L'ensemble d'entraînement sert à enseigner le modèle, l'ensemble de validation sert à suivre les performances et à guider les ajustements pendant le développement, et l'ensemble de test sert à évaluer les performances du modèle final sur des données totalement inédites.

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

En outre, maintenir le jeu de données consiste à examiner et à mettre à jour les données au fil du temps. Cela peut inclure la correction d'erreurs d'annotation, la suppression de données de mauvaise qualité ou en double, ainsi que l'ajout de nouveaux exemples pour couvrir les cas manquants ou les conditions changeantes.

Plus largement, 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 mis à jour 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 où d'autres changements sont nécessaires.

Gérer les jeux de données avec Ultralytics Platform#

Ultralytics Platform fournit un workflow structuré pour gérer les jeux de données dans un environnement unique, de la préparation des données à leur exportation. Il est conçu pour accompagner aussi bien les développeurs individuels que les équipes, en facilitant 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 vie du développement des modèles. En regroupant ces étapes au même endroit, la plateforme réduit la fragmentation et facilite le maintien de la cohérence entre les workflows.

Voyons maintenant les principales étapes et la manière dont la plateforme prend en charge chacune d'elles.

Téléverser des jeux de données vers Ultralytics Platform#

La prise en main des jeux de données sur la plateforme est flexible, avec plusieurs façons d'importer ou de réutiliser des données. Tu peux téléverser tes propres données ou démarrer plus rapidement en utilisant 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 des travaux existants. 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 devoir tout collecter et annoter toi-même. Le clonage d'un jeu de données crée une copie dans ton espace de travail, ce qui te permet de le modifier et de l'étendre tout en préservant l'original.

Pour les téléversements, la plateforme prend en charge les images individuelles, les vidéos et les archives de jeux de données telles que les fichiers ZIP, TAR ou GZ. Elle prend également en charge des formats de jeux de données largement utilisés comme YOLO et COCO, ce qui facilite l'importation de jeux de données et d'annotations existants sans conversion supplémentaire. En outre, tu peux téléverser 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 entre les projets.

Une fois les données téléversées, la plateforme les traite au moyen d'un pipeline structuré. Cela comprend la validation des formats et des tailles de fichiers, le redimensionnement des images si nécessaire, l'analyse des annotations et la génération de statistiques sur le jeu de données.

Par exemple, les vidéos sont converties en images afin de pouvoir être utilisées pour l'entraînement, tandis que les images sont optimisées et préparées pour faciliter leur exploration et leur analyse. Après le traitement, les jeux de données sont prêts à être utilisés pour l'annotation, l'analyse et l'entraînement des modèles au sein de la plateforme.

Annoter les données sur Ultralytics Platform#

Une fois téléversés, les jeux de données peuvent être examinés et annotés directement dans la plateforme. Celle-ci inclut des outils intégrés 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 de boîtes englobantes orientées (OBB) et la classification d'images.

Fig. 2. Utilisation d'Ultralytics Platform pour l'étiquetage des données (Source)

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

Analyser la qualité des jeux de données avec Ultralytics Platform#

En plus de préparer et d'annoter les données, comprendre la qualité d'un jeu de données est essentiel pour créer des modèles de vision par ordinateur fiables. Sans visibilité claire sur des facteurs tels que la répartition des classes, la qualité des annotations, les divisions du jeu de données et la représentation des données selon les différentes conditions, il peut être difficile de repérer les problèmes qui affectent les performances du modèle.

Ultralytics Platform intègre des fonctionnalités pour t'aider à analyser les jeux de données plus efficacement. Ces informations sont disponibles directement dans l'interface du jeu de données, au moyen d'onglets tels que Images, Classes et Graphiques.

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

L'onglet Classes fournit une ventilation du nombre d'annotations par classe, ce qui facilite la détection des déséquilibres entre les classes. L'onglet Images affiche quant à lui des informations au niveau des images, comme les dimensions, le nombre d'annotations et la répartition des labels dans chaque image.

Ces informations facilitent l'identification de problèmes tels que le déséquilibre entre les classes, les scénarios manquants ou une répartition inégale des données. Tu peux par exemple remarquer que certaines classes ne disposent que de très peu d'exemples ou que la plupart des annotations sont concentrées dans des zones spécifiques d'une image.

Au-delà de l'analyse des données, la plateforme prend en charge la curation et l'augmentation des jeux de données, c'est-à-dire l'affinage des jeux de données en corrigeant ou en supprimant les données problématiques et en créant des variantes des données existantes pour améliorer les performances du modèle. Ces améliorations peuvent être effectuées directement dans la plateforme en mettant à jour les annotations, en ajoutant de nouvelles données ou en réorganisant les divisions du jeu de données à partir des informations issues de l'analyse.

Exporter des jeux de données depuis Ultralytics Platform#

Une fois un jeu de données préparé et validé, il peut être exporté pour être utilisé 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 workflows.

Ultralytics Platform prend en charge plusieurs formats d'exportation, notamment YOLO, COCO et NDJSON, ce qui facilite l'intégration des jeux de données dans différents workflows et outils 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, incluant ses images, ses annotations et sa structure. C'est utile, car les jeux de données changent souvent lorsque de nouvelles données sont ajoutées, que les annotations sont mises à jour ou que les divisions sont ajustées. En exportant un instantané, tu peux conserver la version exacte du jeu de données utilisée pour un entraînement donné.

Cela simplifie la reproduction ultérieure des résultats, puisque tu peux entraîner à nouveau un modèle sur la même configuration de données et comparer les performances entre différentes versions du jeu de données. Tu peux par exemple évaluer si l'ajout de nouvelles images ou la correction d'annotations améliore réellement la précision du modèle, plutôt que de simplement deviner ce qui a changé.

Les exportations sont traitées de manière asynchrone et, une fois prêtes, les jeux de données peuvent être téléchargés et utilisés dans des environnements d'entraînement locaux, cloud ou hors ligne.

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

Dans les workflows de machine learning et de deep learning, la gestion des jeux de données se poursuit même après le déploiement, car les données réelles diffèrent souvent de celles utilisées pendant l'entraînement.

Lorsque les modèles reçoivent de nouvelles entrées, les lacunes du jeu de données, comme l'absence de conditions telles que les environnements peu éclairés, les angles de caméra différents, les occlusions ou les scènes bondées, ainsi que les erreurs d'annotation, deviennent plus apparentes, ce qui rend nécessaire l'affinement 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 conditions manquantes, comme les environnements peu éclairés, les angles de caméra différents, les occlusions ou les scènes bondées, afin de réduire les angles morts dans les données.

Parallèlement, veiller à ce que les annotations soient exactes et cohérentes, avec par exemple des objets correctement étiquetés et des boîtes englobantes ou des masques précis, aide le modèle à apprendre des schémas plus fiables.

Cela suit généralement une boucle simple : entraîner le modèle, évaluer les résultats, identifier les erreurs, améliorer le jeu de données et réentraîner le modèle. Chaque étape contribue à mettre en évidence des problèmes tels que des annotations incorrectes, des données manquantes ou des cas sous-représentés.

Imaginons que tu travailles sur un système de surveillance en temps réel des rayons d'un magasin, utilisé pour détecter les produits en rayon. Les premières versions du jeu de données peuvent ne pas inclure certains types de produits, certaines conditions d'éclairage ou certaines configurations de rayons encombrés. Lors de l'évaluation, tu peux constater que le modèle peine 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 si nécessaire. Au fil du temps, la répétition de ce processus aide le modèle à devenir plus précis et plus fiable dans les conditions réelles.

Ultralytics Platform prend en charge ce workflow 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.

Suivre les changements des jeux de données avec Ultralytics Platform#

Nous avons brièvement expliqué comment les jeux de données évoluent 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, le suivi de ces changements devient essentiel pour maintenir la qualité des données et garantir des performances cohérentes des modèles.

Voici quelques-unes des principales fonctionnalités d'Ultralytics Platform qui prennent en charge 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 contient des informations clés telles que le nombre d'images, le nombre de classes, le nombre d'annotations et la taille du jeu de données à un moment précis. Ces versions sont stockées 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 organisées dans l'onglet Versions, où tu peux consulter l'historique des versions, ajouter des descriptions aux changements et suivre l'évolution du jeu de données au fil du temps.
• Liaison avec les modèles : l'onglet Modèles affiche tous les modèles entraînés sur un jeu de données, avec notamment les métriques mAP et les détails de 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 influencent les performances du modèle.
• Onglet Erreurs : l'onglet Erreurs met en évidence les fichiers ayant échoué lors du traitement, avec les détails des erreurs et des suggestions. Tu peux ainsi identifier et corriger des problèmes tels que 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 labels de classe et d'analyser la répartition des classes. Des fonctionnalités comme le filtrage, le tri et l'identification des images non annotées simplifient le suivi de la qualité du jeu de données au fil du temps.
• Statistiques et graphiques : les visualisations intégrées des données, comme la répartition des divisions, la fréquence des classes et les cartes thermiques des annotations, aident à suivre les changements dans la distribution des données et à identifier les déséquilibres à mesure que le jeu de données évolue.

Fig. 4. Aperçu de l'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 des modèles d'IA au sein d'un pipeline unique. Cela rationalise le processus, depuis les données brutes jusqu'aux applications de vision par IA prêtes pour la production.

Une fois les jeux de données préparés et annotés, ils peuvent être utilisés pour entraîner des modèles de vision par ordinateur, comme Ultralytics YOLO26, directement dans la plateforme. Pendant l'entraînement, tu peux suivre les métriques de performance, suivre les expériences et évaluer la capacité d'apprentissage du modèle à l'aide de tableaux de bord intégrés.

Fig. 5. Aperçu de l'affichage des métriques d'entraînement d'un modèle sur Ultralytics Platform (Source)

Après l'entraînement, les modèles peuvent être testés sur de nouvelles images directement dans le navigateur afin d'évaluer les prédictions et d'identifier les points à améliorer avant le déploiement. Lorsque le modèle offre de bonnes performances, il peut être déployé en production.

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

Une fois déployés, les outils de supervision intégrés aident à suivre les performances du système au fil du temps, notamment les métriques liées à l'utilisation et au comportement du modèle. Il devient ainsi plus simple de maintenir et d'améliorer les systèmes de vision par IA dans des applications réelles.

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 les filtres pour trouver les lacunes : identifie les données non étiquetées ou sous-représentées à l'aide des outils de filtrage, afin de compléter plus facilement les annotations et d'améliorer la couverture.
• Corrige rapidement les erreurs : utilise l'onglet Erreurs pour le contrôle qualité afin de détecter les téléversements échoués, les fichiers corrompus ou les formats non pris en charge avant l'entraînement.
• Mets continuellement à jour les jeux de données : ajoute de nouvelles données, corrige les annotations et inclus les cas limites lorsqu'ils apparaissent. Cela contribue à améliorer la couverture et garantit que les modèles fonctionnent de manière fiable dans des scénarios réels.
• Gère soigneusement les divisions du jeu de données : assure un bon équilibre entre les ensembles d'entraînement, de validation et de test. Tu peux réorganiser les divisions manuellement ou utiliser une redistribution automatique si nécessaire.

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, gérer efficacement les jeux de données devient aussi important que développer les modèles. Une approche structurée de la gestion des jeux de données contribue à améliorer la qualité des données, à rationaliser les workflows et à favoriser de meilleures performances des modèles au fil du temps.

Ultralytics Platform simplifie ce processus en regroupant la gestion des jeux de données, l'entraînement et le déploiement au sein d'un workflow 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 explore notre dépôt GitHub pour découvrir des ressources sur l'IA. Pour créer dès aujourd'hui des solutions de vision par IA, consulte nos options de licence. Découvre comment l'IA dans l'agriculture transforme le secteur agricole et comment la vision par IA dans les soins de santé façonne l'avenir en consultant nos pages consacrées aux solutions.