L’importance de jeux de données de vision par ordinateur de haute qualité

En 2019, l’adoption de l’intelligence artificielle (AI) par les entreprises avait augmenté de 270 % au cours des quatre années précédentes. Cette croissance a accéléré l’intégration 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 : elles servent à détecter des maladies dans des images médicales, à rendre possibles les véhicules autonomes, à optimiser la circulation et à renforcer la surveillance des systèmes de sécurité.

La précision et les performances des modèles de vision par ordinateur à la pointe de la technologie, comme Ultralytics YOLO11, ont contribué à cette croissance. Cependant, les performances de ces modèles dépendent fortement de la qualité et de la quantité des données utilisées pour leur entraînement, leur validation et leur test.

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 du secteur. Dans cet article, nous allons examiner le rôle essentiel des données dans la création de modèles de vision par ordinateur et expliquer pourquoi leur qualité est si importante. Nous partagerons également des conseils pour créer des jeux de données de haute qualité lors de l’entraînement de modèles de vision par ordinateur personnalisés.

Le rôle des données dans la création 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 afin de reconnaître des motifs et de produire 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 annotées pour identifier précisément les objets.

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

Comme les modèles de vision par ordinateur ne peuvent apprendre qu’à partir des données auxquelles ils sont exposés, il est essentiel de leur fournir des données de haute qualité et des exemples variés pour assurer leur réussite. Sans jeux de données suffisants et diversifiés, ces modèles risquent de ne pas analyser fidèlement les situations réelles et de produire des résultats biaisés ou inexacts.

C’est pourquoi il est important de bien comprendre le rôle des données dans l’entraînement des modèles. Avant de passer en revue les caractéristiques des données de haute qualité, voyons les types de jeux de données que tu peux rencontrer lors de l’entraînement de modèles de vision par ordinateur.

Types de jeux de données en vision par ordinateur#

En vision par ordinateur, les données utilisées pendant l’entraînement sont réparties en trois catégories, chacune ayant un objectif précis. Voici un aperçu rapide de chaque type :

• Données d’entraînement : il s’agit du jeu de données principal, utilisé pour entraîner le modèle à partir de zéro. Il se compose d’images et de vidéos assorties d’étiquettes prédéfinies, qui permettent au modèle d’apprendre des motifs et de reconnaître des objets.
• Données de validation : il s’agit d’un ensemble de données utilisé pour vérifier les performances du modèle pendant son entraînement. Il permet de s’assurer que le modèle fonctionne correctement sur de nouvelles données qu’il n’a jamais vues.
• Données de test : jeu de données distinct utilisé pour évaluer les performances finales d’un modèle entraîné. Il permet de vérifier la qualité des prédictions du modèle sur des données entièrement nouvelles qu’il n’a jamais vues.

Fig. 1. Répartition des données en vision par ordinateur.

Les 5 principales caractéristiques des jeux de données de haute qualité en vision par ordinateur#

Quel que soit le type de jeu de données, des données de haute qualité sont indispensables à la création de modèles de vision par ordinateur performants. Voici quelques-unes des principales caractéristiques d’un jeu de données de haute qualité :

• Exactitude : idéalement, les données devraient refléter fidèlement les situations réelles et comporter des annotations correctes. Par exemple, pour l’IA visuelle dans le secteur de la santé, les radiographies ou les examens doivent être annotés avec précision afin que le modèle puisse apprendre correctement.
• Diversité : un bon jeu de données comprend des exemples variés qui aident 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 formes, de tailles et de couleurs différentes, dans divers contextes (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 avoir des résolutions similaires (et ne pas être floues pour certaines et nettes pour d’autres) et passer par les mêmes étapes de prétraitement, comme 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 peuvent suivre l’évolution du monde réel. Supposons que tu entraînes un modèle pour détecter tous les types de véhicules. Si de nouveaux véhicules, comme les trottinettes électriques, apparaissent, il faut les ajouter au jeu de données pour que le modèle reste précis et à jour.
• Confidentialité : si un jeu de données contient des informations sensibles, comme des photos de personnes, il doit respecter les règles de confidentialité. Des techniques comme l’anonymisation (suppression des détails permettant d’identifier les personnes) et le masquage des données (dissimulation des éléments sensibles) peuvent protéger la vie privée tout en permettant d’utiliser les données de manière sécurisée.

Les problèmes causés par des données de mauvaise qualité#

Il est important de connaître les caractéristiques des données de haute qualité, mais il est tout aussi essentiel de tenir compte des effets que des données de mauvaise qualité peuvent avoir sur tes modèles de vision par ordinateur.

Des problèmes comme le surapprentissage et le sous-apprentissage peuvent nuire considérablement aux performances du modèle. Le surapprentissage se produit lorsqu’un modèle fonctionne bien sur les données d’entraînement, mais peine à traiter des données nouvelles ou inconnues, souvent parce que le jeu de données manque de variété. À l’inverse, le sous-apprentissage survient lorsque le jeu de données ne fournit pas assez d’exemples ou de données de qualité pour que le modèle apprenne des motifs pertinents. Pour éviter ces problèmes, il est essentiel de maintenir des jeux de données diversifiés, impartiaux et de haute qualité, afin de garantir des performances fiables aussi bien pendant l’entraînement que dans les applications réelles.

Fig. 2. Sous-apprentissage et surapprentissage.

Des données de mauvaise qualité peuvent également empêcher les modèles d’extraire et d’apprendre des motifs pertinents à partir des données brutes, un processus appelé extraction de caractéristiques. Si le jeu de données est incomplet, non pertinent ou manque de diversité, le modèle risque de ne pas être assez performant.

Il arrive que des données de mauvaise qualité résultent d’une simplification des données. Celle-ci peut économiser de l’espace de stockage et réduire les coûts de traitement, mais une simplification excessive peut supprimer des détails importants dont le modèle a besoin pour bien fonctionner. C’est pourquoi il est essentiel de maintenir des données de haute qualité tout au long du processus de vision par ordinateur, de la collecte au déploiement. En règle générale, les jeux de données doivent inclure les caractéristiques essentielles tout en restant diversifiés et exacts, afin de favoriser des prédictions fiables.

Fig. 3. Comprendre l’extraction de caractéristiques.

Conseils pour préserver la qualité de tes jeux de données de vision par ordinateur#

Maintenant que nous avons compris l’importance des données de haute qualité et l’incidence des données de mauvaise qualité, voyons comment nous assurer que ton jeu de données respecte des normes élevées.

Tout commence par une collecte de données fiable. L’utilisation de sources diverses, comme le crowdsourcing, les données issues de régions géographiques variées et la génération de données synthétiques, réduit les biais et aide les modèles à gérer des situations réelles. Une fois les données collectées, le prétraitement est essentiel. Des techniques comme la normalisation, qui ramène les valeurs des pixels à une plage cohérente, et l’augmentation, qui applique des transformations telles que la rotation, le retournement et le zoom, enrichissent le jeu de données. Ces étapes aident ton modèle à mieux généraliser et à gagner en robustesse, tout en réduisant le risque de surapprentissage.

La division adéquate des jeux de données est une autre étape essentielle. Une approche courante consiste à affecter 70 % des données à l’entraînement, 15 % à la validation et 15 % aux tests. Vérifier qu’il n’y a aucun chevauchement entre ces ensembles permet d’éviter les fuites de données et de garantir une évaluation précise du modèle.

Fig. 4. Répartition courante des données entre entraînement, validation et test.

Tu peux aussi utiliser des modèles préentraînés comme YOLO11 pour économiser du temps et des ressources de calcul. YOLO11, entraîné sur de grands jeux de données et conçu pour diverses tâches de vision par ordinateur, peut être ajusté sur ton jeu de données pour répondre à tes besoins. En adaptant le modèle à tes données, tu peux éviter le surapprentissage et maintenir de bonnes performances.

L’avenir des jeux de données en vision par ordinateur#

La communauté de l’IA s’est traditionnellement concentrée sur l’amélioration des performances en construisant des modèles plus profonds comportant davantage de couches. Cependant, à mesure que l’IA évolue, l’attention se déplace de l’optimisation des modèles vers l’amélioration de la qualité des jeux de données. Andrew Ng estime que « le changement le plus important que le monde de l’IA devra connaître au cours de cette décennie sera un virage vers une IA centrée sur les données. »

Cette approche met l’accent sur l’amélioration des jeux de données en augmentant la précision des étiquettes, en supprimant les exemples bruités et en veillant à leur diversité. En vision par ordinateur, ces principes sont essentiels pour résoudre des problèmes comme les biais et les données de mauvaise qualité, et permettre aux modèles de fonctionner de manière fiable dans des situations réelles.

À l’avenir, les progrès de la vision par ordinateur dépendront de la création de jeux de données plus petits et de haute qualité, plutôt que de la collecte d’énormes volumes de données. Selon Andrew Ng, « Améliorer les données n’est pas une étape de prétraitement ponctuelle ; c’est un élément central du processus itératif de développement des modèles d’apprentissage automatique. » En privilégiant une approche centrée sur les données, la vision par ordinateur continuera de gagner en accessibilité, en efficacité et en impact dans de nombreux secteurs.

Points clés à retenir#

Les données jouent un rôle essentiel tout au long du cycle de vie d’un modèle de vision. De la collecte des données au prétraitement, en passant par l’entraînement, la validation et les tests, leur qualité a une incidence directe sur les performances et la fiabilité du modèle. En privilégiant des données de haute qualité et des annotations précises, nous pouvons créer des modèles de vision par ordinateur robustes, qui produisent des résultats fiables et précis.

À mesure que nous avançons vers un avenir axé sur les données, il est essentiel de prendre en compte les considérations éthiques afin d’atténuer les risques liés aux biais et aux réglementations sur la confidentialité. En définitive, garantir l’intégrité et l’équité des données est essentiel pour exploiter pleinement le potentiel des technologies de vision par ordinateur.

Rejoins notre communauté et consulte notre dépôt GitHub pour en savoir plus sur l’IA. Consulte nos pages consacrées aux solutions pour découvrir d’autres applications de l’IA dans des secteurs comme l’agriculture et l’industrie manufacturière.