Types de techniques d’apprentissage de l’IA utilisées en vision par ordinateur

L’apprentissage automatique est un type d’intelligence artificielle (AI) qui aide les ordinateurs à apprendre à partir de données afin de prendre des décisions de manière autonome, sans nécessiter de programmation détaillée pour chaque tâche. Il consiste à créer des modèles algorithmiques capables d’identifier des motifs dans les données. En repérant les motifs dans les données et en apprenant à partir de ceux-ci, ces algorithmes peuvent améliorer progressivement leurs performances au fil du temps.

La vision par ordinateur, un domaine de l’IA axé sur les données visuelles, est l’un des domaines où l’apprentissage automatique joue un rôle crucial. La vision par ordinateur s’appuie sur l’apprentissage automatique pour aider les ordinateurs à détecter et à reconnaître des motifs dans des images et des vidéos. Grâce aux avancées de l’apprentissage automatique, la valeur du marché mondial de la vision par ordinateur devrait atteindre 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 de chacun dans diverses applications.

Présentation de l’apprentissage automatique en vision par ordinateur#

La vision par ordinateur s’appuie sur l’apprentissage automatique, notamment 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, comme détecter des objets dans des images, classer des images par catégorie et reconnaître des visages. L’apprentissage automatique est également essentiel aux applications de vision par ordinateur en temps réel, comme le contrôle qualité dans l’industrie manufacturière et l’imagerie médicale dans le secteur de la santé. Dans ces cas, les réseaux neuronaux aident les ordinateurs à interpréter des données visuelles complexes, par exemple en analysant des images cérébrales pour détecter des tumeurs.

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

Fig. 1. Segmentation de scanners cérébraux avec Ultralytics YOLO11.

Il existe plusieurs types de méthodes d’apprentissage automatique, comme l’apprentissage supervisé, l’apprentissage non supervisé, l’apprentissage par renforcement et l’apprentissage par transfert, qui façonnent les possibilités en vision par ordinateur. Dans les sections suivantes, nous allons examiner chacun de ces types pour comprendre leur contribution à la vision par ordinateur.

Découvrir l’apprentissage supervisé#

L’apprentissage supervisé est le type d’apprentissage automatique le plus utilisé. Dans l’apprentissage supervisé, les modèles sont entraînés à l’aide de données étiquetées. Chaque entrée est associée à la sortie correcte, ce qui aide le modèle à apprendre. Comme un élève qui apprend auprès d’un enseignant, ces données étiquetées servent de guide ou de 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 réponses correctes). Cette configuration aide le modèle à apprendre le lien entre les entrées et les sorties. L’objectif principal de l’apprentissage supervisé est que le modèle découvre une règle ou un motif qui associe avec précision chaque entrée à sa sortie correcte. Grâce à cette correspondance, le modèle peut faire des prédictions précises lorsqu’il rencontre de nouvelles données. Par exemple, la reconnaissance faciale en vision par ordinateur s’appuie sur l’apprentissage supervisé pour identifier les visages à partir de ces motifs appris.

Le déverrouillage de ton smartphone par reconnaissance faciale est une application courante. Le modèle est entraîné sur des images étiquetées de ton visage afin que, lorsque tu déverrouilles ton téléphone, il compare l’image en direct à ce qu’il a appris. S’il détecte une correspondance, ton téléphone se déverrouille.

Fig. 2. La reconnaissance faciale peut servir à déverrouiller un smartphone.

Comment fonctionne l’apprentissage non supervisé en IA ?#

L’apprentissage non supervisé est un type d’apprentissage automatique qui utilise des données non annotées : le modèle ne reçoit ni indications ni réponses correctes pendant l’entraînement. Il apprend plutôt à découvrir des motifs et des informations par lui-même.

L’apprentissage non supervisé repère des motifs à l’aide de trois méthodes principales :

• Regroupement : rassemble des points de données similaires. Cette méthode est utile pour des tâches comme la segmentation de la clientèle, où des clients similaires peuvent être regroupés en fonction de leurs comportements ou de leurs caractéristiques.
• Association : sert à identifier les relations entre les éléments et à révéler les liens présents dans les données (par exemple, repérer les produits souvent achetés ensemble dans l’analyse du panier d’achat, une technique courante d’exploration de données).
• Réduction de la dimensionnalité : simplifie les jeux de données en supprimant les caractéristiques redondantes, ce qui facilite la visualisation et le traitement.

L’une des principales applications de l’apprentissage non supervisé est la compression d’images, où des techniques comme le regroupement par k-moyennes réduisent la taille de l’image sans altérer sa qualité visuelle. Les pixels sont regroupés en clusters, et chaque cluster est représenté par une couleur moyenne, ce qui produit une image comportant moins de couleurs et dont la taille de fichier est réduite.

Fig. 3. Exemple de compression d’image non supervisée.

Cependant, l’apprentissage non supervisé présente certaines limites. En l’absence de réponses prédéfinies, il peut être difficile d’obtenir une bonne précision et d’évaluer les performances. Il faut souvent interpréter les résultats et étiqueter les groupes manuellement. La méthode est également sensible à des problèmes comme les valeurs manquantes et le bruit, qui peuvent nuire à la qualité des résultats.

Explication de l’apprentissage par renforcement#

Contrairement aux apprentissages supervisé et non supervisé, l’apprentissage par renforcement ne repose pas sur des données d’entraînement. Il utilise plutôt des agents fondés sur des réseaux neuronaux qui interagissent avec un environnement pour atteindre un objectif précis.

Le processus repose sur trois éléments principaux :

• Agent : l’apprenant ou le décideur.
• Environnement : tout ce avec quoi l’agent interagit, dans le monde réel ou virtuel.
• Signal de récompense : une valeur numérique attribuée après chaque action, qui guide l’agent vers son objectif.

Les actions de l’agent influent sur l’environnement, qui réagit ensuite par un retour. Ce retour aide l’agent à évaluer ses choix et à ajuster son comportement. Le signal de récompense lui permet de déterminer quelles actions le rapprochent de son objectif.

L’apprentissage par renforcement est essentiel dans des domaines comme la conduite autonome et la robotique. Dans la conduite autonome, des tâches comme le contrôle du véhicule, la détection d’objets et l’évitement d’obstacles sont apprises à partir des retours d’information. Les modèles sont entraînés à l’aide d’agents fondés sur des réseaux neuronaux afin de détecter les piétons ou d’autres objets, puis de prendre les mesures appropriées pour éviter les collisions. De même, en robotique, l’apprentissage par renforcement permet d’effectuer des tâches comme la manipulation d’objets et le contrôle des déplacements.

Un exemple bien connu d’apprentissage par renforcement en action est un projet d’OpenAI dans le cadre duquel des chercheurs ont entraîné des agents d’IA à jouer au célèbre jeu vidéo multijoueur Dota 2. À l’aide de réseaux neuronaux, ces agents traitaient une quantité considérable d’informations provenant de l’environnement de jeu pour prendre rapidement des décisions stratégiques. Grâce à des retours continus, les agents ont appris et se sont améliorés au fil du temps, jusqu’à atteindre un niveau leur permettant de battre certains des meilleurs joueurs du jeu.

Fig. 4. Interprétation de la matrice de Dota par un humain et une IA.

Comprendre les bases de l’apprentissage par transfert#

L’apprentissage par transfert diffère des autres types d’apprentissage. Au lieu d’entraîner un modèle à partir de zéro, on part d’un modèle préentraîné sur un grand jeu de données, puis on l’ajuste pour une nouvelle tâche apparentée. Les connaissances acquises pendant l’entraînement initial servent à améliorer les performances sur la nouvelle tâche. Selon sa complexité, l’apprentissage par transfert réduit le temps nécessaire pour entraîner le modèle à cette nouvelle tâche. Cette méthode consiste à conserver les couches initiales du modèle, qui capturent les caractéristiques générales, et à remplacer les couches finales par des couches adaptées à la nouvelle tâche.

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 lui donner le style de différentes œuvres d’art. Pour cela, un réseau neuronal est d’abord entraîné sur un grand jeu de données d’images associées à leur style artistique. Au cours de ce processus, le modèle apprend à identifier les caractéristiques générales des images et les motifs de style.

Une fois entraîné, le modèle peut être ajusté pour appliquer le style d’un tableau précis à une nouvelle image. Le réseau s’adapte à la nouvelle image tout en conservant les caractéristiques stylistiques apprises, créant ainsi un résultat unique qui associe le contenu d’origine au style artistique choisi. Par exemple, tu peux prendre une photo d’une chaîne de montagnes et lui appliquer le style du Cri d’Edvard Munch. L’image obtenue représente alors la scène dans le style audacieux et expressif du tableau.

Fig. 5. Exemple de transfert de style artistique par apprentissage par transfert.

Comparaison des différents types d’apprentissage automatique#

Maintenant que nous avons présenté les principaux types d’apprentissage automatique, examinons-les de plus près pour t’aider à déterminer lesquels conviennent le mieux à différentes applications.

• Apprentissage supervisé : très précis avec des données annotées, il nécessite toutefois beaucoup de données et peut être sensible au bruit.
• Apprentissage non supervisé : utile pour explorer des données non annotées et découvrir des motifs cachés, mais les résultats peuvent être moins précis et plus difficiles à interpréter.
• Apprentissage par renforcement : 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 : utilise des modèles préentraînés pour accélérer l’entraînement et améliorer les performances sur de nouvelles tâches, en particulier lorsque les données sont limitées.

Fig. 6. Comparaison des différents types d’apprentissage automatique. Image de l’auteur.

Le choix du type d’apprentissage automatique dépend de plusieurs facteurs. L’apprentissage supervisé convient bien si tu disposes de nombreuses données annotées et d’une tâche clairement définie. L’apprentissage non supervisé est utile pour explorer des données ou lorsque les exemples annotés sont rares. L’apprentissage par renforcement est idéal pour les tâches complexes qui nécessitent des décisions étape par étape, tandis que l’apprentissage par transfert convient aux situations où les données ou les ressources sont limitées. En tenant compte de ces facteurs, tu peux choisir l’approche la plus adaptée à ton projet de vision par ordinateur.

Pour conclure#

Les techniques d’apprentissage automatique peuvent relever divers défis, notamment 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 l’approche qui répond le mieux à tes besoins.

L’apprentissage supervisé convient aux tâches qui exigent une grande précision et des données annotées, tandis que l’apprentissage non supervisé est idéal pour repérer des motifs dans des données non annotées. L’apprentissage par renforcement est adapté aux contextes complexes où les décisions sont essentielles, et l’apprentissage par transfert est utile pour exploiter des modèles préentraînés avec peu de données.

Chaque méthode possède des atouts et des applications qui lui sont propres, 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 découvrir davantage, visite notre dépôt GitHub et échange avec notre communauté. Découvre les applications de l’IA dans les voitures autonomes et l’agriculture sur nos pages de solutions.