Le guide ultime de l'augmentation de données en 2025

En raison de l'essor de l'IA, des phénomènes tels que les robots travaillant dans les usines et les voitures autonomes naviguant dans les rues font de plus en plus la une des journaux. L'IA change la façon dont les machines interagissent avec le monde, qu'il s'agisse d'améliorer l'imagerie médicale ou d'aider au contrôle qualité sur les lignes de production.

Une grande partie de ces progrès provient de la vision par ordinateur, une branche de l'IA qui permet aux machines de comprendre et d'interpréter des images. Tout comme les humains apprennent à reconnaître des objets et des motifs au fil du temps, les modèles de vision par IA comme Ultralytics YOLO11 doivent être entraînés sur de grandes quantités de données d'images pour développer leur compréhension visuelle.

Cependant, collecter une telle quantité de données visuelles n'est pas toujours facile. Même si la communauté de la vision par ordinateur a créé de nombreux datasets volumineux, il peut toujours manquer certaines variations, comme des images avec des objets en basse lumière, des éléments partiellement cachés ou des choses vues sous des angles différents. Ces différences peuvent être déroutantes pour les modèles de vision par ordinateur qui n'ont été entraînés que dans des conditions spécifiques.

L'augmentation de données d'image est une technique qui résout ce problème en introduisant de nouvelles variations dans les données existantes. En modifiant les images, par exemple en ajustant les couleurs, en les faisant pivoter ou en changeant la perspective, le dataset devient plus diversifié, aidant ainsi les modèles de vision par IA à mieux reconnaître les objets dans des situations réelles.

Dans cet article, nous explorerons comment fonctionne l'augmentation de données d'image et l'impact qu'elle peut avoir sur les applications de vision par ordinateur.

Link to this sectionQu'est-ce que l'augmentation de données d'image ?#

Imaginons que tu essaies de reconnaître un ami dans une foule, mais qu'il porte des lunettes de soleil ou qu'il se trouve dans un endroit ombragé. Même avec ces légers changements d'apparence, tu sais toujours qui c'est. En revanche, un modèle de vision par IA peut avoir du mal avec de telles variations s'il n'a pas été entraîné à reconnaître des objets dans différents contextes.

L'augmentation de données d'image améliore les performances des modèles de vision par ordinateur en ajoutant des versions modifiées des images existantes aux données d'entraînement, au lieu de collecter des milliers de nouvelles images.

Les modifications apportées aux images telles que le retournement, la rotation, l'ajustement de la luminosité ou l'ajout de petites distorsions exposent les modèles de vision par IA à un plus large éventail de conditions. Au lieu de s'appuyer sur des datasets massifs, les modèles peuvent apprendre efficacement à partir de datasets d'entraînement plus petits avec des images augmentées.

Fig 1. Exemples d'images augmentées d'une voiture.

Link to this sectionL'importance de l'augmentation de données en vision par ordinateur#

Voici quelques-unes des raisons principales pour lesquelles l'augmentation est essentielle pour la vision par ordinateur :

• Réduit les besoins en données : La collecte de grands datasets d'images nécessite du temps et des ressources. L'augmentation peut être utilisée pour entraîner efficacement des modèles sans avoir besoin de datasets massifs.
• Empêche le surapprentissage (overfitting) : Un modèle entraîné sur trop peu d'exemples peut mémoriser des détails au lieu de reconnaître des motifs généraux. Ajouter de la variété grâce à l'augmentation garantit que les modèles de vision par IA apprennent de manière à s'appliquer à des données nouvelles et inédites.
• Imite les images imparfaites : Les images dans les datasets sont souvent trop parfaites, mais les photos du monde réel peuvent être floues, obscurcies ou déformées. Augmenter les images avec du bruit, des occlusions ou d'autres variations les rend plus réalistes.
• Améliore la robustesse du modèle : L'entraînement avec une variété d'images aide l'IA à gérer les changements du monde réel, la rendant plus fiable dans différents environnements, conditions d'éclairage et situations.

Link to this sectionQuand devrais-tu utiliser l'augmentation de données d'image ?#

L'augmentation de données d'image est particulièrement utile lorsqu'un modèle de vision par ordinateur doit reconnaître des objets dans différentes situations mais ne dispose pas d'assez d'images variées.

Par exemple, si des chercheurs entraînent un modèle de vision par IA à identifier des espèces sous-marines rares qui sont rarement photographiées, le dataset peut être petit ou manquer de variation. En augmentant les images - ajuster les couleurs pour simuler différentes profondeurs d'eau, ajouter du bruit pour imiter des conditions troubles, ou modifier légèrement les formes pour tenir compte du mouvement naturel - le modèle peut apprendre à détecter des objets sous-marins avec plus de précision.

Voici d'autres situations où l'augmentation fait une grande différence :

• Équilibrage du dataset : Certains objets peuvent apparaître moins souvent dans les données d'entraînement, ce qui rend les modèles de vision par IA biaisés. L'augmentation aide à créer plus d'exemples d'objets rares afin que le modèle puisse reconnaître toutes les catégories de manière équitable.
• Adaptation à différents appareils photo : Les images peuvent sembler différentes selon l'appareil. L'augmentation aide les modèles de vision par IA à fonctionner correctement sur des photos ayant des résolutions, un éclairage et une qualité différents.
• Correction de légères erreurs d'étiquetage : Les légers décalages, recadrages ou rotations aident les modèles de vision par ordinateur à reconnaître correctement les objets, même si les étiquettes originales ne sont pas parfaitement alignées.

Link to this sectionComment fonctionne l'augmentation de données d'image#

Aux débuts de la vision par ordinateur, l'augmentation de données d'image impliquait principalement des techniques de base de traitement d'image telles que le retournement, la rotation et le recadrage pour accroître la diversité du dataset. À mesure que l'IA s'est améliorée, des méthodes plus avancées ont été introduites, telles que l'ajustement des couleurs (transformations de l'espace colorimétrique), l'accentuation ou le floutage des images (filtres à noyau), et le mélange de plusieurs images (mélange d'images) pour améliorer l'apprentissage.

L'augmentation peut se produire avant et pendant l'entraînement du modèle. Avant l'entraînement, des images modifiées peuvent être ajoutées au dataset pour offrir plus de variété. Pendant l'entraînement, les images peuvent être altérées aléatoirement en temps réel, aidant les modèles de vision par IA à s'adapter à différentes conditions.

Ces changements sont effectués à l'aide de transformations mathématiques. Par exemple, la rotation incline une image, le recadrage supprime des parties pour imiter différentes vues, et les changements de luminosité simulent des variations d'éclairage. Le flou adoucit les images, l'accentuation rend les détails plus clairs, et le mélange d'images combine des parties de différentes images. Les frameworks de vision par IA et des outils comme OpenCV, TensorFlow et PyTorch peuvent automatiser ces processus, rendant l'augmentation rapide et efficace.

Link to this sectionTechniques clés d'augmentation de données d'image#

Maintenant que nous avons discuté de ce qu'est l'augmentation de données d'image, examinons de plus près certaines techniques fondamentales d'augmentation de données d'image utilisées pour améliorer les données d'entraînement.

Link to this sectionAjustement de l'orientation et de la position#

Les modèles de vision par ordinateur comme YOLO11 ont souvent besoin de reconnaître des objets sous divers angles et points de vue. Pour faciliter cela, les images peuvent être retournées horizontalement ou verticalement afin que le modèle d'IA apprenne à reconnaître les objets à partir de différents points de vue.

De même, la rotation des images modifie légèrement leur angle, permettant au modèle d'identifier des objets sous de multiples perspectives. De plus, le déplacement des images dans différentes directions (translation) aide les modèles à s'adapter aux petits changements de position. Ces transformations garantissent que les modèles se généralisent mieux aux conditions du monde réel où le placement des objets dans une image est imprévisible.

Fig 2. Différentes méthodes d'augmentation liées à l'orientation et à la position.

Link to this sectionRedimensionnement et recadrage#

En ce qui concerne les solutions de vision par ordinateur du monde réel, les objets dans les images peuvent apparaître à des distances et des tailles variables. Les modèles de vision par IA doivent être suffisamment robustes pour les détecter indépendamment de ces différences.

Pour améliorer l'adaptabilité, les méthodes d'augmentation suivantes peuvent être utilisées :

• Mise à l'échelle (Scaling) : Le redimensionnement modifie la taille de l'image tout en conservant ses proportions, permettant aux modèles d'IA de détecter des objets à différentes distances.
• Recadrage (Cropping) : Cela supprime les parties inutiles d'une image, aidant le modèle à se concentrer sur les zones clés et réduisant les distractions en arrière-plan.
• Cisaillement (Shearing) : Incliner légèrement une image simule une apparence étirée ou inclinée, aidant l'IA à reconnaître les objets sous différents angles.

Ces ajustements aident les modèles de vision par ordinateur à reconnaître les objets même si leur taille ou leur forme change légèrement.

Link to this sectionAjustements de perspective et de distorsion#

Les objets dans les images peuvent apparaître différemment selon l'angle de la caméra, ce qui rend la reconnaissance difficile pour les modèles de vision par ordinateur. Pour aider les modèles à gérer ces variations, les techniques d'augmentation peuvent ajuster la façon dont les objets sont présentés dans les images.

Par exemple, les transformations de perspective peuvent changer l'angle de vue, faisant paraître un objet comme s'il était vu d'une position différente. Cela permet aux modèles de vision par IA de reconnaître les objets même lorsqu'ils sont inclinés ou capturés sous un angle inhabituel.

Un autre exemple est la transformation élastique qui étire, courbe ou déforme les images pour simuler des distorsions naturelles afin que les objets apparaissent comme ils le feraient dans des reflets ou sous pression.

Link to this sectionModifications de couleur et d'éclairage#

Les conditions d'éclairage et les différences de couleur peuvent avoir un impact significatif sur la façon dont les modèles de vision par IA interprètent les images. Comme les objets peuvent apparaître différemment selon les réglages d'éclairage, les techniques d'augmentation suivantes peuvent aider à gérer ces situations :

• Ajustements de luminosité et de contraste : Simuler différentes conditions d'éclairage aide les modèles de vision par IA à reconnaître les objets dans des environnements clairs et sombres.
• Gigue de couleur (Color jittering) : Modifier de manière aléatoire la teinte, la saturation et la balance des couleurs rend les modèles de vision par ordinateur plus adaptables aux différents appareils photo et conditions d'éclairage.
• Conversion en niveaux de gris : La conversion des images en noir et blanc encourage les modèles de vision par IA à se concentrer sur les formes et les textures plutôt que sur la couleur.

Fig 3. Exemples d'augmentations liées aux variations de couleur.

Link to this sectionTechniques avancées d'augmentation de données d'image#

Jusqu'à présent, nous n'avons exploré que des techniques d'augmentation qui modifient une seule image. Cependant, certaines méthodes avancées impliquent de combiner plusieurs images pour améliorer l'apprentissage de l'IA.

Par exemple, MixUp mélange deux images ensemble, aidant les modèles de vision par ordinateur à comprendre les relations entre les objets et améliorant leur capacité à se généraliser à différents scénarios. CutMix va encore plus loin en remplaçant une section d'une image par une partie d'une autre, permettant aux modèles d'apprendre à partir de multiples contextes au sein de la même image. Pendant ce temps, CutOut fonctionne différemment en supprimant des parties aléatoires d'une image, entraînant les modèles de vision par IA à reconnaître des objets même lorsqu'ils sont partiellement cachés ou obstrués.

Fig 4. Techniques avancées d'augmentation de données d'image.

Link to this sectionLe rôle de l'IA générative dans l'augmentation de données d'image#

L'IA générative gagne du terrain dans de nombreuses industries et applications quotidiennes. Tu l'as probablement rencontrée en relation avec des images générées par IA, des vidéos deepfake ou des applications qui créent des avatars réalistes. Mais au-delà de la créativité et du divertissement, l'IA générative joue un rôle crucial dans l'entraînement des modèles de vision par IA en générant de nouvelles images à partir de celles existantes.

Plutôt que de simplement retourner ou faire pivoter des images, elle peut créer des variations réalistes - changer les expressions faciales, les styles vestimentaires, ou même simuler différentes conditions météorologiques. Ces variations aident les modèles de vision par ordinateur à devenir plus adaptables et précis dans divers scénarios réels. Les modèles d'IA générative avancés comme les GAN (Réseaux Antagonistes Génératifs) et les modèles de diffusion peuvent également combler des détails manquants ou créer des images synthétiques de haute qualité.

Link to this sectionLimites de l'augmentation de données d'image#

Bien que l'augmentation de données améliore les datasets d'entraînement, il existe également quelques limites à prendre en compte. Voici quelques défis clés liés à l'augmentation de données d'image :

• Diversité des données limitée : Les images augmentées proviennent de données existantes et ne peuvent pas introduire de motifs complètement nouveaux ou des perspectives rares.
• Distorsion potentielle des données : Des transformations excessives peuvent rendre les images irréalistes, réduisant potentiellement la précision du modèle dans des scénarios réels.
• Augmentation du calcul : L'augmentation en temps réel qui a lieu pendant l'entraînement du modèle peut nécessiter une puissance de traitement importante, ralentissant l'entraînement et augmentant l'utilisation de la mémoire.
• Le déséquilibre des classes subsiste : L'augmentation ne crée pas d'échantillons entièrement nouveaux, donc les catégories sous-représentées peuvent toujours conduire à un apprentissage biaisé.

Link to this sectionUne application réelle de l'augmentation de données d'image#

Une application intéressante de l'augmentation de données d'image concerne les voitures autonomes, où les décisions en une fraction de seconde prises par des modèles de vision par ordinateur comme YOLO11 sont cruciales. Le modèle doit être capable de détecter les routes, les personnes et d'autres objets avec précision.

Cependant, les conditions réelles qu'un véhicule autonome rencontre peuvent être imprévisibles. Le mauvais temps, le flou cinétique et les panneaux cachés peuvent rendre complexes les solutions de vision par IA dans ce secteur. Entraîner des modèles de vision par ordinateur avec seulement des images réelles n'est souvent pas suffisant. Les datasets d'images pour les modèles des voitures autonomes doivent être diversifiés afin que le modèle puisse apprendre à gérer des situations inattendues.

L'augmentation de données d'image résout ce problème en simulant le brouillard, en ajustant la luminosité et en déformant les formes. Ces changements aident les modèles à reconnaître les objets dans différentes conditions. En conséquence, les modèles deviennent plus intelligents et plus fiables.

Avec un entraînement augmenté, les solutions de vision par IA dans les voitures autonomes s'adaptent mieux et prennent des décisions plus sûres. Des résultats plus précis signifient moins d'accidents et une meilleure navigation.

Fig 5. Un exemple d'augmentation de données d'image concernant les voitures autonomes.

Les voitures autonomes ne sont qu'un exemple. En fait, l'augmentation de données d'image est cruciale dans un large éventail de secteurs, de l'imagerie médicale à l'analyse de détail. Toute application qui repose sur la vision par ordinateur peut potentiellement bénéficier de l'augmentation de données d'image.

Link to this sectionPoints clés#

Les systèmes de vision par IA doivent être capables de reconnaître les objets dans différentes conditions, mais collecter une infinité d'images réelles pour l'entraînement peut être difficile. L'augmentation de données d'image résout ce problème en créant des variations d'images existantes, aidant les modèles à apprendre plus rapidement et à être plus performants dans des situations réelles. Elle améliore la précision, garantissant que les modèles de vision par IA comme YOLO11 peuvent gérer différents éclairages, angles et environnements.

Pour les entreprises et les développeurs, l'augmentation de données d'image permet d'économiser du temps et des efforts tout en rendant les modèles de vision par ordinateur plus fiables. Des soins de santé aux voitures autonomes, de nombreuses industries en dépendent. À mesure que la vision par IA continue d'évoluer, l'augmentation restera une partie essentielle de la création de modèles plus intelligents et plus adaptables pour l'avenir.

Rejoins notre communauté et visite notre dépôt GitHub pour voir l'IA en action. Explore nos options de licence et découvre plus sur l'IA dans l'agriculture et la vision par ordinateur dans la fabrication sur nos pages de solutions.