Types de techniques d'apprentissage par IA utilisées en vision par ordinateur

L'apprentissage automatique est un type d'intelligence artificielle (IA) qui aide les ordinateurs à apprendre à partir de données afin qu'ils puissent prendre des décisions par eux-mêmes, sans avoir besoin d'une programmation détaillée pour chaque tâche. Cela implique la création de modèles algorithmiques capables d'identifier des modèles dans les données. En identifiant des modèles dans les données et en apprenant à partir de ceux-ci, ces algorithmes peuvent progressivement améliorer leurs performances au fil du temps.

Un domaine où l'apprentissage automatique joue un rôle crucial est la vision par ordinateur, un champ de l'IA qui se concentre sur les données visuelles. La vision par ordinateur utilise l'apprentissage automatique pour aider les ordinateurs à détecter et reconnaître des modèles dans des images et des vidéos. Portée par les avancées de l'apprentissage automatique, la valeur du marché mondial de la vision par ordinateur est estimée à environ 175,72 milliards de dollars d'ici 2032.

Dans cet article, nous examinerons les différents types d'apprentissage automatique utilisés en vision par ordinateur, notamment l'apprentissage supervisé, non supervisé, par renforcement et par transfert, ainsi que le rôle que chacun joue dans différentes applications. Commençons !

Link to this sectionAperçu de l'apprentissage automatique en vision par ordinateur#

La vision par ordinateur repose sur l'apprentissage automatique, en particulier sur des techniques comme l'apprentissage profond et les réseaux neuronaux, pour interpréter et analyser les informations visuelles. Ces méthodes permettent aux ordinateurs d'effectuer des tâches de vision par ordinateur telles que la détection d'objets dans des images, la classification d'images par catégorie et la reconnaissance faciale. L'apprentissage automatique est également essentiel pour les applications de vision par ordinateur en temps réel, comme le contrôle qualité dans la fabrication et l'imagerie médicale dans la santé. Dans ces cas-là, les réseaux neuronaux aident les ordinateurs à interpréter des données visuelles complexes, par exemple en analysant des scanners cérébraux pour détecter des tumeurs.

En fait, de nombreux modèles avancés de vision par ordinateur, comme Ultralytics YOLO11, sont construits sur des réseaux neuronaux.

Fig 1. Segmentation de scanners cérébraux utilisant Ultralytics YOLO11.

Il existe plusieurs types de méthodes d'apprentissage en apprentissage automatique, comme l'apprentissage supervisé, l'apprentissage non supervisé, l'apprentissage par transfert et l'apprentissage par renforcement, qui repoussent les limites de ce qui est possible en vision par ordinateur. Dans les sections suivantes, nous explorerons chacun de ces types pour comprendre comment ils contribuent à la vision par ordinateur.

Link to this sectionExplorer l'apprentissage supervisé#

L'apprentissage supervisé est le type d'apprentissage automatique le plus couramment utilisé. Dans l'apprentissage supervisé, les modèles sont entraînés en utilisant des données étiquetées. Chaque entrée est marquée avec la sortie correcte, ce qui aide le modèle à apprendre. Tout comme un étudiant apprenant d'un enseignant, ces données étiquetées agissent comme un guide ou un superviseur.

Pendant l'entraînement, le modèle reçoit à la fois des données d'entrée (les informations qu'il doit traiter) et des données de sortie (les bonnes réponses). Cette configuration aide le modèle à apprendre la connexion entre les entrées et les sorties. L'objectif principal de l'apprentissage supervisé est que le modèle découvre une règle ou un modèle qui relie précisément chaque entrée à sa sortie correcte. Avec cette mise en correspondance, le modèle peut faire des prédictions précises lorsqu'il rencontre de nouvelles données. Par exemple, la reconnaissance faciale en vision par ordinateur repose sur l'apprentissage supervisé pour identifier des visages basés sur ces modèles appris.

Une utilisation courante de ceci est le déverrouillage de ton smartphone avec la reconnaissance faciale. Le modèle est entraîné sur des images étiquetées de ton visage afin que, lorsque tu déverrouilles ton téléphone, il compare l'image en direct avec ce qu'il a appris. S'il détecte une correspondance, ton téléphone se déverrouille.

Fig 2. La reconnaissance faciale peut être utilisée pour déverrouiller ton smartphone.

Link to this sectionComment fonctionne l'apprentissage non supervisé en IA ?#

L'apprentissage non supervisé est un type d'apprentissage automatique qui utilise des données non étiquetées : le modèle ne reçoit aucune guidance ni aucune réponse correcte pendant l'entraînement. Au lieu de cela, il apprend à découvrir des modèles et des insights par lui-même.

L'apprentissage non supervisé identifie des modèles en utilisant trois méthodes principales :

• Clustering : Regroupe des points de données similaires. Il est utile pour des tâches comme la segmentation client, où des clients similaires peuvent être regroupés en fonction de leurs comportements ou attributs.
• Association : Elle est utilisée pour identifier les relations entre des éléments, aidant à découvrir des connexions au sein des données (par exemple, trouver des produits souvent achetés ensemble dans une analyse du panier de consommation).
• Réduction de dimensionnalité : Simplifie les ensembles de données en supprimant les caractéristiques redondantes, ce qui aide à la visualisation et au traitement.

Une application clé de l'apprentissage non supervisé est la compression d'image, où des techniques comme le clustering k-means réduisent la taille de l'image sans affecter la qualité visuelle. Les pixels sont regroupés en clusters, et chaque cluster est représenté par une couleur moyenne, ce qui donne une image avec moins de couleurs et une taille de fichier plus petite.

Fig 3. Un exemple de compression d'image non supervisée.

However, unsupervised learning does face certain limitations. Without predefined answers, it can struggle with accuracy and performance evaluation. It often requires manual effort to interpret results and label groups, and it is sensitive to issues like missing values and noise, which can impact the quality of the results.

Link to this sectionExplication de l'apprentissage par renforcement#

Contrairement à l'apprentissage supervisé et non supervisé, l'apprentissage par renforcement ne repose pas sur des données d'entraînement. Au lieu de cela, il utilise des agents de réseaux neuronaux pour interagir avec un environnement afin d'atteindre un objectif spécifique.

Le processus implique trois composants principaux :

• Agent : L'apprenant ou le décideur.
• Environnement : Tout ce avec quoi l'agent interagit, qui peut être réel ou virtuel.
• Signal de récompense : Une valeur numérique donnée après chaque action, guidant l'agent vers l'objectif.

À mesure que l'agent effectue des actions, cela affecte l'environnement, qui réagit ensuite avec un feedback. Le feedback aide l'agent à évaluer ses choix et à ajuster son comportement. Le signal de récompense aide l'agent à comprendre quelles actions le rapprochent de la réalisation de son objectif.

L'apprentissage par renforcement est essentiel pour des cas d'utilisation comme la conduite autonome et la robotique. Dans la conduite autonome, des tâches comme les contrôles du véhicule, la détection d'objets et l'évitement apprennent sur la base de feedback. Les modèles sont entraînés en utilisant des agents de réseaux neuronaux pour détecter des piétons ou d'autres objets et prendre les mesures appropriées pour éviter les collisions. De même, en robotique, l'apprentissage par renforcement permet des tâches comme la manipulation d'objets et le contrôle des mouvements.

Un excellent exemple d'apprentissage par renforcement en action est un projet d'OpenAI, où des chercheurs ont entraîné des agents IA à jouer au célèbre jeu vidéo multijoueur, Dota 2. En utilisant des réseaux neuronaux, ces agents ont traité d'énormes quantités d'informations provenant de l'environnement de jeu pour prendre des décisions rapides et stratégiques. Grâce à un feedback continu, les agents ont appris et s'amélioré au fil du temps, atteignant finalement un niveau de compétence assez élevé pour battre certains des meilleurs joueurs du jeu.

Fig 4. Interprétation humaine vs IA de la matrice Dota.

Link to this sectionComprendre les bases de l'apprentissage par transfert#

L'apprentissage par transfert est différent des autres types d'apprentissage. Au lieu d'entraîner un modèle à partir de zéro, il utilise un modèle pré-entraîné sur un grand jeu de données et l'affine pour une nouvelle tâche connexe. Les connaissances acquises lors de l'entraînement initial sont utilisées pour améliorer les performances de la nouvelle tâche. L'apprentissage par transfert réduit le temps nécessaire pour s'entraîner à une nouvelle tâche, selon sa complexité. Il fonctionne en conservant les couches initiales du modèle qui capturent les caractéristiques générales et en remplaçant les couches finales par celles de la nouvelle tâche spécifique.

Le transfert de style artistique est une application intéressante de l'apprentissage par transfert en vision par ordinateur. Cette technique permet à un modèle de transformer une image pour correspondre au style de différentes œuvres d'art. Pour y parvenir, un réseau neuronal est d'abord entraîné sur un grand ensemble de données d'images associées à leurs styles artistiques. Grâce à ce processus, le modèle apprend à identifier des caractéristiques d'image générales et des modèles de style.

Une fois le modèle entraîné, il peut être affiné pour appliquer le style d'une peinture spécifique à une nouvelle image. Le réseau s'adapte à la nouvelle image tout en préservant les caractéristiques de style apprises, lui permettant de créer un résultat unique qui combine le contenu original avec le style artistique sélectionné. Par exemple, tu pourrais prendre une photo d'une chaîne de montagnes et appliquer le style du Cri d'Edvard Munch, ce qui donne une image qui capture la scène mais avec le style audacieux et expressif de la peinture.

Fig 5. Un exemple de transfert de style artistique utilisant l'apprentissage par transfert.

Link to this sectionUn regard sur les différences entre les types d'apprentissage automatique#

Maintenant que nous avons couvert les principaux types d'apprentissage automatique, regardons chacun d'eux de plus près pour t'aider à comprendre ce qui convient le mieux aux différentes applications.

• Apprentissage supervisé : Ce type est très précis lorsqu'il travaille avec des données étiquetées, mais il nécessite beaucoup de données et peut être sensible au bruit.
• Apprentissage non supervisé : Il est utile pour explorer des données non étiquetées afin de trouver des modèles cachés, bien que les résultats puissent être moins précis et plus difficiles à interpréter.
• Apprentissage par renforcement : Il entraîne des agents à prendre des décisions étape par étape dans des environnements complexes, mais nécessite souvent une puissance de calcul importante.
• Apprentissage par transfert : Cette approche utilise des modèles pré-entraînés pour accélérer l'entraînement et améliorer les performances sur de nouvelles tâches, surtout lorsque les données sont limitées.

Fig 6. Une comparaison de tous les types d'apprentissage automatique. Image de l'auteur.

Le choix du type d'apprentissage automatique dépend de plusieurs facteurs. L'apprentissage supervisé fonctionne bien si tu as des données étiquetées abondantes et une tâche claire. L'apprentissage non supervisé est utile pour l'exploration de données ou lorsque les exemples étiquetés sont rares. L'apprentissage par renforcement est idéal pour les tâches complexes nécessitant une prise de décision étape par étape, tandis que l'apprentissage par transfert est excellent lorsque les données sont limitées ou que les ressources sont restreintes. En tenant compte de ces facteurs, tu peux sélectionner l'approche la plus adaptée à ton projet de vision par ordinateur.

Link to this sectionConclusion#

Les techniques d'apprentissage automatique peuvent relever une variété de défis, surtout dans des domaines comme la vision par ordinateur. En comprenant les différents types, apprentissage supervisé, non supervisé, par renforcement et par transfert, tu peux choisir la meilleure approche pour tes besoins.

L'apprentissage supervisé est excellent pour les tâches nécessitant une grande précision et des données étiquetées, tandis que l'apprentissage non supervisé est idéal pour trouver des modèles dans des données non étiquetées. L'apprentissage par renforcement fonctionne bien dans des environnements complexes basés sur des décisions, et l'apprentissage par transfert est utile lorsque tu souhaites construire sur des modèles pré-entraînés avec des données limitées.

Chaque méthode a des forces et des applications uniques, de la reconnaissance faciale à la robotique en passant par le transfert de style artistique. Choisir le bon type peut ouvrir de nouvelles possibilités dans des secteurs comme la santé, l'automobile et le divertissement.

Pour en savoir plus, visite notre dépôt GitHub et rejoins notre communauté. Explore les applications de l'IA dans les voitures autonomes et l'agriculture sur nos pages de solutions. 🚀