L'importance des jeux de données de vision par ordinateur de haute qualité

En 2019, l'adoption de l'intelligence artificielle (IA) en entreprise avait augmenté de 270 % par rapport aux quatre années précédentes. Cette croissance a alimenté l'intégration rapide des applications de vision par ordinateur (CV) — des systèmes d'IA qui permettent aux machines d'interpréter et d'analyser les données visuelles du monde qui les entoure. Ces applications alimentent un large éventail de technologies, allant de la détection de maladies dans l'imagerie médicale et de la création de véhicules autonomes à l'optimisation du trafic dans les transports et au renforcement de la surveillance dans les systèmes de sécurité.

La précision remarquable et les performances inégalées des modèles de vision par ordinateur de pointe comme Ultralytics YOLO11 ont largement stimulé cette croissance exponentielle. Cependant, les performances de ces modèles dépendent fortement de la qualité et de la quantité des données utilisées pour les entraîner, les valider et les tester.

Sans suffisamment de données de haute qualité, les modèles de vision par ordinateur peuvent être difficiles à entraîner et à ajuster efficacement pour répondre aux normes de l'industrie. Dans cet article, nous explorerons le rôle vital des données dans la création de modèles de vision par ordinateur et pourquoi les données de haute qualité sont si importantes en vision par ordinateur. Nous passerons également en revue quelques conseils pour t'aider à créer des jeux de données de haute qualité tout en travaillant sur l'entraînement de modèles de vision par ordinateur personnalisés. Commençons !

Le rôle des données dans la construction de modèles de vision par ordinateur#

Les modèles de vision par ordinateur peuvent être entraînés sur de grands jeux de données d'images et de vidéos pour reconnaître des schémas et faire des prédictions précises. Par exemple, un modèle de détection d'objets peut être entraîné sur des centaines, voire des milliers, d'images et de vidéos étiquetées pour identifier des objets avec précision.

La qualité et la quantité de ces données d'entraînement influencent les performances du modèle.

Étant donné que les modèles de vision par ordinateur ne peuvent apprendre qu'à partir des données auxquelles ils sont exposés, fournir des données de haute qualité et des exemples diversifiés est crucial pour leur succès. Sans jeux de données suffisants et diversifiés, ces modèles peuvent échouer à analyser précisément des scénarios du monde réel et pourraient produire des résultats biaisés ou inexacts.

C'est pourquoi il est important de bien comprendre le rôle des données dans l'entraînement du modèle. Avant d'aborder les caractéristiques des données de haute qualité, découvrons les types de jeux de données que tu pourrais rencontrer lors de l'entraînement de modèles de vision par ordinateur.

Types de jeux de données de vision par ordinateur#

En vision par ordinateur, les données utilisées lors du processus d'entraînement sont réparties en trois catégories, chacune ayant un objectif spécifique. Voici un aperçu rapide de chaque type :

• Données d'entraînement : il s'agit du principal jeu de données utilisé pour entraîner le modèle à partir de zéro. Il se compose d'images et de vidéos dotées d'étiquettes prédéfinies, ce qui permet au modèle d'apprendre des schémas et de reconnaître des objets.
• Données de validation : il s'agit d'un ensemble de données utilisé pour vérifier les performances d'un modèle pendant son entraînement. Elles contribuent à garantir que le modèle fonctionne correctement sur de nouvelles données inédites.
• Données de test : un ensemble de données distinct utilisé pour évaluer les performances finales d'un modèle entraîné. Elles permettent de vérifier la capacité du modèle à faire des prédictions sur des données entièrement nouvelles et inédites.

Fig. 1 : Comment les données sont catégorisées en vision par ordinateur.

Top 5 des caractéristiques des jeux de données de vision par ordinateur de haute qualité#

Quel que soit le type de jeu de données, des données de haute qualité sont essentielles pour construire des modèles de vision par ordinateur performants. Voici quelques-unes des caractéristiques clés qui rendent un jeu de données de haute qualité :

• Précision : Idéalement, les données doivent refléter fidèlement des situations du monde réel et inclure des étiquettes correctes. Par exemple, en matière d'IA de vision dans le secteur de la santé, les images de radiographies ou de scanners doivent être étiquetées avec exactitude pour aider le modèle à apprendre correctement.
• Diversité : Un bon jeu de données inclut une variété d'exemples pour aider le modèle à bien fonctionner dans différentes situations. Par exemple, si un modèle apprend à détecter des voitures, le jeu de données doit inclure des voitures de différentes formes, tailles et couleurs dans divers environnements (jour, nuit, pluie, etc.).
• Cohérence : Les jeux de données de haute qualité respectent un format uniforme et des normes de qualité. Par exemple, les images doivent présenter des résolutions similaires (et non être floues pour certaines et nettes pour d'autres) et suivre les mêmes étapes de prétraitement, telles que le redimensionnement ou les ajustements de couleur, afin que le modèle apprenne à partir d'informations cohérentes.
• Actualité : Les jeux de données mis à jour régulièrement permettent de suivre l'évolution du monde réel. Supposons que tu entraînes un modèle pour détecter tous les types de véhicules. Si de nouveaux véhicules, comme des trottinettes électriques, font leur apparition, ils doivent être ajoutés au jeu de données pour garantir que le modèle reste précis et à jour.
• Confidentialité : Si un jeu de données comprend des informations sensibles, telles que des photos de personnes, il doit respecter les règles de confidentialité. Des techniques telles que l'anonymisation (suppression des détails identifiables) et le masquage des données (dissimulation des parties sensibles) permettent de protéger la vie privée tout en permettant d'utiliser les données en toute sécurité.

Défis causés par les données de faible qualité#

Bien qu'il soit important de comprendre les traits des données de haute qualité, il est tout aussi vital de considérer comment des données de faible qualité peuvent affecter tes modèles de vision par ordinateur.

Des problèmes tels que le surapprentissage (overfitting) et le sous-apprentissage (underfitting) peuvent nuire gravement aux performances du modèle. Le surapprentissage se produit lorsqu'un modèle obtient de bons résultats sur les données d'entraînement mais peine avec des données nouvelles ou inédites, souvent parce que le jeu de données manque de variété. Le sous-apprentissage, en revanche, se produit lorsque le jeu de données ne fournit pas assez d'exemples ou de qualité pour que le modèle puisse apprendre des schémas pertinents. Pour éviter ces problèmes, il est essentiel de conserver des jeux de données diversifiés, impartiaux et de haute qualité, garantissant ainsi des performances fiables tant lors de l'entraînement que dans des applications réelles.

Fig. 2 : Sous-apprentissage vs. surapprentissage.

Des données de faible qualité peuvent également compliquer l'extraction et l'apprentissage de schémas pertinents à partir de données brutes, un processus connu sous le nom d'extraction de caractéristiques. Si le jeu de données est incomplet, non pertinent ou manque de diversité, le modèle risque d'avoir du mal à fonctionner efficacement.

Parfois, des données de faible qualité peuvent résulter d'une simplification des données. La simplification des données peut aider à économiser de l'espace de stockage et à réduire les coûts de traitement, mais une simplification excessive peut supprimer des détails importants dont le modèle a besoin pour fonctionner correctement. C'est pourquoi il est si important de maintenir des données de haute qualité tout au long du processus de vision par ordinateur, de la collecte jusqu'au déploiement. Par règle générale, les jeux de données doivent inclure les fonctionnalités essentielles tout en restant diversifiés et précis pour garantir des prédictions de modèle fiables.

Fig. 3 : Comprendre l'extraction de caractéristiques.

Conseils pour maintenir la qualité de ton jeu de données de vision par ordinateur#

Maintenant que nous avons compris l'importance des données de haute qualité et l'impact des données de faible qualité, explorons comment t'assurer que ton jeu de données répond à des normes élevées.

Tout commence par une collecte de données fiable. L'utilisation de sources diversifiées telles que le crowdsourcing, des données provenant de différentes régions géographiques et la génération de données synthétiques réduit les biais et aide les modèles à faire face à des scénarios du monde réel. Une fois les données collectées, le prétraitement est crucial. Des techniques telles que la normalisation, qui met à l'échelle les valeurs des pixels dans une plage cohérente, et l'augmentation, qui applique des transformations telles que la rotation, le retournement et le zoom, améliorent le jeu de données. Ces étapes aident ton modèle à mieux généraliser et à devenir plus robuste, réduisant ainsi le risque de surapprentissage.

La division correcte des jeux de données est une autre étape clé. Une approche courante consiste à allouer 70 % des données à l'entraînement, 15 % à la validation et 15 % au test. Vérifier deux fois qu'il n'y a pas de chevauchement entre ces ensembles empêche la fuite de données et assure une évaluation précise du modèle.

Fig. 4 : Une répartition courante des données entre l'entraînement, la validation et les tests.

Tu peux également utiliser des modèles pré-entraînés comme YOLO11 pour gagner du temps et économiser des ressources de calcul. YOLO11, entraîné sur de grands jeux de données et conçu pour diverses tâches de vision par ordinateur, peut être affiné sur ton jeu de données spécifique pour répondre à tes besoins. En ajustant le modèle à tes données, tu peux éviter le surapprentissage et maintenir de solides performances.

La voie à suivre pour les jeux de données de vision par ordinateur#

La communauté de l'IA s'est traditionnellement concentrée sur l'amélioration des performances en créant des modèles plus profonds dotés de plus de couches. Cependant, à mesure que l'IA continue d'évoluer, l'accent se déplace de l'optimisation des modèles vers l'amélioration de la qualité des jeux de données. Andrew Ng, souvent qualifié de « père de l'IA », estime que « le changement le plus important que le monde de l'IA doit opérer au cours de cette décennie sera le passage à l'IA centré sur les données. »

Cette approche met l'accent sur l'affinement des jeux de données en améliorant la précision des étiquettes, en supprimant les exemples bruyants et en assurant la diversité. Pour la vision par ordinateur, ces principes sont essentiels pour résoudre des problèmes comme les biais et les données de faible qualité, permettant aux modèles de fonctionner de manière fiable dans des scénarios du monde réel.

Pour l'avenir, les progrès de la vision par ordinateur reposeront sur la création de jeux de données plus petits et de haute qualité plutôt que sur la collecte de vastes quantités de données. Selon Andrew Ng, « Améliorer les données n'est pas une étape de prétraitement ponctuelle ; c'est un élément fondamental du processus itératif de développement de modèles d'apprentissage automatique. » En se concentrant sur les principes axés sur les données, la vision par ordinateur continuera de devenir plus accessible, efficace et impactante dans divers secteurs.

Points clés#

Les données jouent un rôle critique tout au long du cycle de vie d'un modèle de vision. De la collecte des données au prétraitement, à l'entraînement, à la validation et au test, la qualité des données impacte directement la performance et la fiabilité du modèle. En donnant la priorité à des données de haute qualité et à un étiquetage précis, nous pouvons construire des modèles de vision par ordinateur robustes qui fournissent des résultats fiables et précis.

Alors que nous avançons vers un avenir axé sur les données, il est essentiel d'aborder les considérations éthiques pour atténuer les risques liés aux biais et aux réglementations sur la confidentialité. En fin de compte, garantir l'intégrité et l'équité des données est la clé pour libérer tout le potentiel des technologies de vision par ordinateur.

Rejoins notre communauté et consulte notre répertoire GitHub pour en savoir plus sur l'IA. Découvre nos pages de solutions pour explorer d'autres applications de l'IA dans des secteurs tels que l'agriculture et la fabrication.