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 % au cours des quatre années précédentes. Cette croissance a alimenté l'intégration rapide d'applications de vision par ordinateur (CV) - des systèmes d'IA qui permettent aux machines d'interpréter et d'analyser des données visuelles du monde qui les entoure. Ces applications alimentent une large gamme de technologies, allant de la détection de maladies dans l'imagerie médicale et la facilitation des véhicules autonomes, à l'optimisation du flux de circulation 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, la performance de ces modèles dépend fortement de la qualité et de la quantité des données utilisées pour entraîner, valider et tester les modèles.

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 !

Link to this sectionLe 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 modèles et effectuer 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 précisément des objets.

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 comprendre clairement le rôle des données dans l'entraînement de modèles. Avant de passer en revue les caractéristiques des données de haute qualité, comprenons les types de jeux de données que tu pourrais rencontrer lors de l'entraînement de modèles de vision par ordinateur.

Link to this sectionTypes de jeux de données de vision par ordinateur#

En vision par ordinateur, les données utilisées dans le processus d'entraînement sont classées en trois types, chacun servant un objectif spécifique. 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 avec des étiquettes prédéfinies, permettant au modèle d'apprendre des modèles 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. Cela permet de s'assurer que le modèle fonctionne correctement sur de nouvelles données invisibles.
• Données de test : Un ensemble de données séparé utilisé pour évaluer la performance finale d'un modèle entraîné. Il vérifie la capacité du modèle à effectuer des prédictions sur des données totalement nouvelles et invisibles.

Fig 1. Comment les données sont classées en vision par ordinateur.

Link to this sectionTop 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 étroitement les situations du monde réel et inclure des étiquettes correctes. Par exemple, lorsqu'il s'agit de vision par IA dans les soins de santé, les images de radiographies ou de scanners doivent être étiquetées avec précision 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.).
• Consistance : Les jeux de données de haute qualité suivent un format uniforme et des normes de qualité. Par exemple, les images doivent avoir des résolutions similaires (pas certaines floues et d'autres nettes) 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 les changements du monde réel. Disons que tu es en train d'entraîner un modèle pour détecter tous types de véhicules. Si de nouveaux véhicules, comme des trottinettes électriques, sont introduits, ils doivent être ajoutés au jeu de données pour s'assurer que le modèle reste précis et à jour.
• Confidentialité : Si un jeu de données inclut des informations sensibles, comme des photos de personnes, il doit respecter les règles de confidentialité. Des techniques comme l'anonymisation (suppression des détails identifiables) et le masquage de données (dissimulation des parties sensibles) peuvent protéger la confidentialité tout en permettant d'utiliser les données en toute sécurité.

Link to this sectionDéfis 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 comme le surapprentissage (overfitting) et le sous-apprentissage (underfitting) peuvent gravement impacter les performances du modèle. Le surapprentissage se produit lorsqu'un modèle fonctionne bien sur les données d'entraînement mais peine avec des données nouvelles ou invisibles, souvent parce que le jeu de données manque de variété. Le sous-apprentissage, en revanche, survient lorsque le jeu de données ne fournit pas assez d'exemples ou de qualité pour que le modèle puisse apprendre des motifs significatifs. Pour éviter ces problèmes, il est essentiel de maintenir des jeux de données diversifiés, impartiaux et de haute qualité, garantissant une performance fiable tant lors de l'entraînement que dans les applications du monde réel.

Fig 2. Sous-apprentissage vs surapprentissage.

Les données de faible qualité peuvent également rendre difficile pour les modèles l'extraction et l'apprentissage de modèles significatifs 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 avoir du mal à fonctionner efficacement.

Parfois, des données de faible qualité peuvent être le résultat 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 bien fonctionner. 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. Par règle générale, les jeux de données doivent inclure des caractéristiques essentielles tout en restant diversifiés et précis pour garantir des prédictions de modèle fiables.

Fig 3. Comprendre l'extraction de caractéristiques.

Link to this sectionConseils 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, les données provenant de régions géographiques variées et la génération de données synthétiques réduit les biais et aide les modèles à gérer des scénarios du monde réel. Une fois les données collectées, le prétraitement est critique. 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, améliorent le jeu de données. Ces étapes aident ton modèle à mieux généraliser et à devenir plus robuste, réduisant 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 division courante des données entre entraînement, validation et test.

Tu peux également utiliser des modèles pré-entraînés comme YOLO11 pour économiser du temps et des ressources informatiques. 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 pour répondre à tes besoins. En adaptant le modèle à tes données, tu peux éviter le surapprentissage et maintenir une performance solide.

Link to this sectionLa 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 construisant des modèles plus profonds avec 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 appelé le « père de l'IA », estime que « le changement le plus important que le monde de l'IA doit traverser au cours de cette décennie sera un passage vers l'IA centrée 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.

En regardant vers l'avenir, l'avancement de la vision par ordinateur reposera 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 une partie fondamentale du processus itératif de développement de modèles de machine learning. » En se concentrant sur des principes centrés sur les données, la vision par ordinateur continuera de devenir plus accessible, efficace et impactante à travers diverses industries.

Link to this sectionPoints 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 dépôt GitHub pour en savoir plus sur l'IA. Découvre nos pages de solutions pour explorer davantage d'applications d'IA dans des secteurs comme l'agriculture et la fabrication.