Comprendre l’apprentissage few-shot, zero-shot et par transfert

Les systèmes d’intelligence artificielle (AI) peuvent accomplir des tâches complexes comme reconnaître des visages, classer des images et conduire des voitures avec une intervention humaine minimale. Ils y parviennent en étudiant des données, en reconnaissant des schémas et en utilisant ces schémas pour faire des prédictions ou prendre des décisions. À mesure que l’AI progresse, nous observons des façons toujours plus sophistiquées pour les modèles d’AI d’apprendre, de s’adapter et d’accomplir des tâches avec une efficacité remarquable.

Par exemple, la vision par ordinateur est une branche de l’AI qui vise à permettre aux machines d’interpréter et de comprendre les informations visuelles du monde qui les entoure. Le développement traditionnel de modèles de vision par ordinateur repose fortement sur de grands jeux de données annotés pour l’entraînement. La collecte et l’annotation de ces données peuvent prendre beaucoup de temps et coûter cher.

Pour relever ces défis, les chercheurs ont introduit des approches innovantes comme l’apprentissage few-shot (FSL), qui apprend à partir d’un nombre limité d’exemples ; l’apprentissage zero-shot (ZSL), qui identifie des objets jamais vus ; et l’apprentissage par transfert (TL), qui applique les connaissances de modèles pré-entraînés à de nouvelles tâches.

Dans cet article, nous allons examiner le fonctionnement de ces paradigmes d’apprentissage, mettre en évidence leurs principales différences et découvrir leurs applications dans le monde réel. Commençons !

Vue d’ensemble des paradigmes d’apprentissage#

Examinons ce que sont l’apprentissage few-shot, l’apprentissage zero-shot et l’apprentissage par transfert dans le contexte de la vision par ordinateur, ainsi que leur fonctionnement.

Apprentissage few-shot#

L’apprentissage few-shot est une méthode par laquelle les systèmes apprennent à reconnaître de nouveaux objets à partir d’un nombre limité d’exemples. Par exemple, si tu montres à un modèle quelques images d’un manchot, d’un pélican et d’un macareux (ce petit groupe est appelé « ensemble de support »), il apprend à quoi ressemblent ces oiseaux.

Plus tard, si tu montres au modèle une nouvelle image, par exemple celle d’un manchot, il compare cette image avec celles de son ensemble de support et sélectionne la correspondance la plus proche. Lorsque la collecte d’une grande quantité de données est difficile, cette méthode est avantageuse, car le système peut tout de même apprendre et s’adapter avec seulement quelques exemples.

Fig 1. Vue d’ensemble du fonctionnement de l’apprentissage few-shot.

Apprentissage zero-shot#

L’apprentissage zero-shot permet aux machines de reconnaître des éléments qu’elles n’ont jamais vus auparavant, sans avoir besoin d’exemples de ces éléments. Il utilise des informations sémantiques, comme des descriptions, pour aider à établir des liens.

Par exemple, si une machine a appris à connaître des animaux comme les chats, les lions et les chevaux en comprenant des caractéristiques telles que « petit et duveteux », « grand félin sauvage » ou « visage allongé », elle peut utiliser ces connaissances pour identifier un nouvel animal, comme un tigre. Même si elle n’a jamais vu de tigre auparavant, elle peut utiliser une description comme « un animal ressemblant à un lion avec des rayures sombres » pour l’identifier correctement. Cela permet aux machines d’apprendre et de s’adapter plus facilement sans avoir besoin de nombreux exemples.

Fig 2. L’apprentissage zero-shot identifie de nouveaux objets à l’aide de descriptions.

Apprentissage par transfert#

L’apprentissage par transfert est un paradigme d’apprentissage dans lequel un modèle utilise ce qu’il a appris lors d’une tâche pour contribuer à résoudre une nouvelle tâche similaire. Cette technique est particulièrement utile pour les tâches de vision par ordinateur comme la détection d’objets, la classification d’images et la reconnaissance de schémas.

Par exemple, en vision par ordinateur, un modèle pré-entraîné peut reconnaître des objets généraux, comme des animaux, puis être affiné par apprentissage par transfert pour identifier des objets spécifiques, comme différentes races de chiens. En réutilisant les connaissances acquises lors de tâches précédentes, l’apprentissage par transfert facilite l’entraînement de modèles de vision par ordinateur sur de plus petits jeux de données, ce qui permet de gagner du temps et de réduire les efforts nécessaires.

Fig 3. Vue d’ensemble du fonctionnement de l’apprentissage par transfert.

Tu te demandes peut-être quels types de modèles prennent en charge l’apprentissage par transfert. Ultralytics YOLO11 en est un excellent exemple : c’est un modèle de vision par ordinateur qui peut le faire. Il s’agit d’un modèle de détection d’objets de pointe, d’abord pré-entraîné sur un vaste jeu de données généraliste. Il peut ensuite être affiné et entraîné sur mesure sur un jeu de données spécialisé plus petit pour des tâches spécifiques.

Comparaison des paradigmes d’apprentissage#

Maintenant que nous avons parlé de l’apprentissage few-shot, de l’apprentissage zero-shot et de l’apprentissage par transfert, comparons-les pour voir en quoi ils diffèrent.

Fig 4. Principales différences entre l’apprentissage few-shot, zero-shot et par transfert. Image réalisée par l’auteur.

L’apprentissage few-shot est utile lorsque tu ne disposes que d’une petite quantité de données étiquetées. Il permet à un modèle d’AI d’apprendre à partir de seulement quelques exemples. L’apprentissage zero-shot, quant à lui, ne nécessite aucune donnée étiquetée. Il utilise plutôt des descriptions ou du contexte pour aider le système à gérer de nouvelles tâches. L’apprentissage par transfert adopte une approche différente en utilisant les connaissances de modèles pré-entraînés, ce qui leur permet de s’adapter rapidement à de nouvelles tâches avec très peu de données supplémentaires. Chaque méthode possède ses propres atouts, selon le type de données et la tâche sur lesquels tu travailles.

Applications concrètes de différents paradigmes d’apprentissage#

Ces paradigmes d’apprentissage font déjà la différence dans de nombreux secteurs en résolvant des problèmes complexes grâce à des solutions innovantes. Examinons de plus près comment ils peuvent être appliqués dans le monde réel.

Diagnostiquer des maladies rares grâce à l’apprentissage few-shot#

L’apprentissage few-shot change la donne dans le secteur de la santé, en particulier pour l’imagerie médicale. Il peut aider les médecins à diagnostiquer des maladies rares à partir de seulement quelques exemples, voire de simples descriptions, sans nécessiter de grandes quantités de données. Cette approche est particulièrement utile lorsque les données sont limitées, ce qui est souvent le cas, car la collecte de grands jeux de données pour des maladies rares peut être difficile.

Par exemple, SHEPHERD utilise l’apprentissage few-shot et des graphes de connaissances biomédicales pour diagnostiquer des maladies génétiques rares. Il projette les informations sur le patient, comme les symptômes et les résultats d’analyses, sur un réseau de gènes et de maladies connus. Cela aide à déterminer la cause génétique probable et à trouver des cas similaires, même lorsque les données sont limitées.

Fig 5. Le modèle Shepherd diagnostique des maladies rares avec un minimum de données.

Améliorer la détection des maladies des plantes grâce à l’apprentissage zero-shot#

En agriculture, identifier rapidement les maladies des plantes est essentiel, car les retards de détection peuvent entraîner des dommages étendus aux cultures, une baisse des rendements et des pertes financières importantes. Les méthodes traditionnelles reposent souvent sur de grands jeux de données et sur l’expertise de spécialistes, qui ne sont pas toujours accessibles, notamment dans les zones isolées ou disposant de ressources limitées. C’est dans ce contexte que les avancées de l’AI, comme l’apprentissage zero-shot, deviennent utiles.

Imaginons qu’un agriculteur cultive des tomates et des pommes de terre et remarque des symptômes comme le jaunissement des feuilles ou des taches brunes. L’apprentissage zero-shot peut aider à identifier des maladies comme le mildiou sans nécessiter de grands jeux de données. En utilisant des descriptions des symptômes, le modèle peut classer des maladies qu’il n’a jamais vues auparavant. Cette approche est rapide, évolutive et permet aux agriculteurs de détecter divers problèmes affectant les plantes. Elle les aide à surveiller plus efficacement la santé des cultures, à agir rapidement et à réduire les pertes.

Fig 6. Utiliser l’apprentissage zero-shot pour identifier les maladies des plantes.

Véhicules autonomes et apprentissage par transfert#

Les véhicules autonomes doivent souvent s’adapter à différents environnements pour se déplacer en toute sécurité. L’apprentissage par transfert les aide à utiliser leurs connaissances antérieures pour s’adapter rapidement à de nouvelles conditions sans recommencer leur entraînement depuis zéro. Associées à la vision par ordinateur, qui aide les véhicules à interpréter les informations visuelles, ces technologies permettent une navigation plus fluide sur différents terrains et dans diverses conditions météorologiques, rendant la conduite autonome plus efficace et plus fiable.

Un bon exemple est un système de gestion du stationnement qui utilise Ultralytics YOLO11 pour surveiller les places de stationnement. YOLO11, un modèle de détection d’objets pré-entraîné, peut être affiné par apprentissage par transfert afin d’identifier en temps réel les places libres et occupées. En entraînant le modèle sur un jeu de données plus petit composé d’images de parkings, il apprend à détecter précisément les places disponibles, les places occupées et même les zones réservées.

Fig 7. Gestion du stationnement avec Ultralytics YOLO11.

Intégré à d’autres technologies, ce système peut guider les conducteurs vers la place disponible la plus proche, contribuant ainsi à réduire le temps de recherche et les embouteillages. L’apprentissage par transfert rend cela possible en s’appuyant sur les capacités existantes de détection d’objets d’Ultralytics YOLO11, ce qui lui permet de s’adapter aux besoins spécifiques de la gestion du stationnement sans repartir de zéro. Cette approche permet d’économiser du temps et des ressources tout en créant une solution très efficace et évolutive qui améliore la gestion du stationnement et l’expérience utilisateur globale.

Tendances émergentes des paradigmes d’apprentissage#

L’avenir des paradigmes d’apprentissage en vision par ordinateur s’oriente vers le développement de systèmes d’AI visuelle plus intelligents et durables. Une tendance particulièrement marquante est l’utilisation d’approches hybrides qui combinent l’apprentissage few-shot, l’apprentissage zero-shot et l’apprentissage par transfert. En combinant les points forts de ces méthodes, les modèles peuvent apprendre de nouvelles tâches avec un minimum de données et appliquer leurs connaissances à différents domaines.

Un exemple intéressant consiste à utiliser des représentations profondes adaptées pour affiner des modèles à partir des connaissances acquises lors de tâches précédentes et d’une petite quantité de nouvelles données, ce qui facilite le travail avec des jeux de données limités.

De même, l’apprentissage X-shot est conçu pour gérer des tâches associées à différentes quantités de données. Il utilise une supervision faible, dans laquelle les modèles apprennent à partir d’étiquettes limitées ou bruitées, ainsi que des instructions claires pour les aider à s’adapter rapidement, même lorsque peu d’exemples antérieurs, voire aucun, sont disponibles. Ces approches hybrides montrent comment l’intégration de différentes méthodes d’apprentissage peut aider les systèmes d’AI à relever plus efficacement les défis.

Points clés à retenir#

L’apprentissage few-shot, l’apprentissage zero-shot et l’apprentissage par transfert répondent chacun à des défis spécifiques de la vision par ordinateur, ce qui les rend adaptés à différentes tâches. La bonne approche dépend de l’application concernée et de la quantité de données disponible. Par exemple, l’apprentissage few-shot fonctionne bien avec des données limitées, tandis que l’apprentissage zero-shot est particulièrement adapté aux classes inédites ou inconnues.

À l’avenir, la combinaison de ces méthodes pour créer des modèles hybrides intégrant la vision, le langage et l’audio constituera probablement un axe majeur. Ces avancées visent à rendre les systèmes d’AI plus flexibles, plus efficaces et mieux capables de résoudre des problèmes complexes, ouvrant ainsi de nouvelles possibilités d’innovation dans ce domaine.

Découvre-en davantage sur l’AI en rejoignant notre communauté et en consultant notre dépôt GitHub. Découvre comment l’AI dans les voitures autonomes et la vision par ordinateur dans l’agriculture transforment l’avenir. Consulte les options disponibles de la licence YOLO pour commencer !