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 alimenté l’intégration rapide d’applications de vision par ordinateur (CV), c’est-à-dire de systèmes d’AI 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, qu’il s’agisse de détecter des maladies grâce à l’imagerie médicale, de permettre la conduite autonome, d’optimiser la circulation dans les transports ou d’améliorer la surveillance dans les systèmes de sécurité.

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

Sans données de qualité suffisantes, 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 examinerons le rôle essentiel des données dans la création de modèles de vision par ordinateur et verrons pourquoi les données de haute qualité sont si importantes dans ce domaine. Nous passerons également en revue quelques conseils pour t’aider à créer des jeux de données de haute qualité lors de l’entraînement de modèles de vision par ordinateur personnalisés. Commençons !

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 les objets avec précision.

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 garantir leur réussite. Sans jeux de données suffisants et diversifiés, ces modèles peuvent ne pas analyser correctement les scénarios du monde réel et produire des résultats biaisés ou inexacts.

Il est donc important de bien comprendre le rôle des données dans l’entraînement des modèles. Avant de présenter les caractéristiques des données de haute qualité, examinons 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 pour la vision par ordinateur#

En vision par ordinateur, les données utilisées lors du processus d’entraînement sont classées en trois types, chacun 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 contient des images et des vidéos associées à des annotations prédéfinies, ce qui permet 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 d’un modèle pendant son entraînement. Il permet de s’assurer que le modèle fonctionne correctement sur de nouvelles données qu’il n’a pas encore vues.
• Données de test : il s’agit d’un ensemble de données distinct utilisé pour évaluer les performances finales d’un modèle entraîné. Il vérifie la capacité du modèle à produire des prédictions sur des données entièrement nouvelles qu’il n’a pas encore vues.

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

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

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

• Exactitude : idéalement, les données doivent refléter fidèlement les situations du monde réel et comporter des annotations correctes. Par exemple, dans le domaine de l’AI appliquée à la santé, les images de radiographies ou de scanners doivent être annotées avec précision afin d’aider le modèle à apprendre correctement.
• Diversité : un bon jeu de données contient 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 formes, de tailles et de couleurs différentes, dans divers environnements (jour, nuit, pluie, etc.).
• Cohérence : les jeux de données de haute qualité respectent un format et des normes de qualité uniformes. Par exemple, les images doivent avoir des résolutions similaires (certaines ne doivent pas être floues tandis que d’autres sont nettes) et suivre 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 régulièrement mis à jour peuvent suivre les évolutions 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, ils doivent être ajoutés 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 l’identification) et le masquage des données (dissimulation des parties sensibles) peuvent protéger la confidentialité tout en permettant d’utiliser les données en toute sécurité.

Problèmes causés par des données de mauvaise qualité#

S’il est important de comprendre les caractéristiques des données de haute qualité, il est tout aussi essentiel de prendre en compte l’impact 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 fortement affecter les performances du modèle. Le surapprentissage se produit lorsqu’un modèle fonctionne bien sur les données d’entraînement, mais éprouve des difficultés avec les données nouvelles ou inédites, souvent parce que le jeu de données manque de diversité. Le sous-apprentissage, quant à lui, survient lorsque le jeu de données ne fournit pas suffisamment d’exemples ou de qualité pour permettre au modèle d’apprendre des motifs pertinents. Pour éviter ces problèmes, il est essentiel de conserver 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 du monde réel.

Fig. 2 : sous-apprentissage et surapprentissage.

Les données de mauvaise qualité peuvent également compliquer l’extraction et l’apprentissage de motifs pertinents à partir de données brutes, un processus appelé extraction de caractéristiques. Si le jeu de données est incomplet, non pertinent ou manque de diversité, le modèle peut éprouver des difficultés à fonctionner efficacement.

Parfois, les données de mauvaise qualité résultent d’une simplification des données. Simplifier les 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 au déploiement. En règle générale, les jeux de données doivent inclure les caractéristiques essentielles tout en restant diversifiés et précis afin de garantir des prédictions fiables du modèle.

Fig. 3 : comprendre l’extraction de caractéristiques.

Conseils pour préserver 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 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 variées, comme le crowdsourcing, les données provenant de différentes régions géographiques et la génération de données synthétiques, réduit les biais et aide les modèles à gérer les scénarios du monde réel. Une fois les données collectées, le prétraitement est essentiel. Des techniques comme la normalisation, qui met à l’échelle les valeurs des pixels dans une plage cohérente, et l’augmentation, qui applique des transformations comme la rotation, le retournement et le zoom, enrichissent le jeu de données. Ces étapes aident ton modèle à mieux se généraliser et à devenir plus robuste, réduisant ainsi le risque de surapprentissage.

La division correcte des jeux de données constitue une autre étape essentielle. Une approche courante consiste à allouer 70 % des données à l’entraînement, 15 % à la validation et 15 % aux tests. Vérifier qu’il n’existe aucun chevauchement entre ces ensembles évite les fuites de données et garantit une évaluation précise du modèle.

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

Tu peux également utiliser des modèles préentraînés 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 ajusté sur ton jeu de données spécifique afin de répondre à tes besoins. En adaptant le modèle à tes données, tu peux éviter le surapprentissage et maintenir de solides performances.

L’avenir des jeux de données pour la vision par ordinateur#

La communauté de l’AI s’est traditionnellement concentrée sur l’amélioration des performances en créant des modèles plus profonds comportant davantage de couches. Cependant, à mesure que l’AI continue d’évoluer, l’attention se déplace de l’optimisation des modèles vers l’amélioration de la qualité des jeux de données. Andrew Ng, souvent présenté comme le « père de l’AI », estime que « le changement le plus important que le monde de l’AI doit opérer au cours de cette décennie sera de passer à une AI centrée sur les données. »

Cette approche met l’accent sur l’amélioration des jeux de données en renforçant la précision des annotations, en supprimant les exemples bruités et en garantissant la diversité. En vision par ordinateur, ces principes sont essentiels pour résoudre les problèmes tels que les biais et les données de mauvaise qualité, permettant aux modèles de fonctionner de manière fiable dans des scénarios du monde réel.

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 de vastes quantités de données. Selon Andrew Ng, « l’amélioration des données n’est pas une étape de prétraitement ponctuelle ; elle constitue une partie essentielle du processus itératif de développement des modèles de machine learning. » En mettant l’accent sur des principes centrés sur les données, la vision par ordinateur continuera à devenir plus accessible, efficace et utile dans divers 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 un impact direct sur les performances et la fiabilité du modèle. En donnant la priorité à des données de haute qualité et à 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 fondé sur les données, il est essentiel de prendre en compte les considérations éthiques afin d’atténuer les risques liés aux biais et aux réglementations en matière de confidentialité. En définitive, garantir l’intégrité et l’équité des données est essentiel pour libérer tout le potentiel des technologies de vision par ordinateur.

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