Comprendre l’apprentissage avec peu d’exemples, sans exemple et par transfert

Les systèmes d’intelligence artificielle (AI) peuvent effectuer 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 s’appuyant sur ces schémas pour établir des prévisions ou prendre des décisions. À mesure que l’IA progresse, nous voyons les modèles d’IA apprendre, s’adapter et effectuer des tâches avec une efficacité toujours plus remarquable.

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

Pour relever ces défis, les chercheurs ont mis au point des approches novatrices comme l’apprentissage avec peu d’exemples (FSL), qui apprend à partir d’un nombre limité d’exemples ; l’apprentissage sans exemple (ZSL), qui identifie des objets jamais vus ; et l’apprentissage par transfert (TL), qui applique aux nouvelles tâches les connaissances de modèles préentraînés.

Dans cet article, nous allons examiner le fonctionnement de ces paradigmes d’apprentissage, mettre en évidence leurs principales différences et présenter des applications concrètes.

Présentation des paradigmes d’apprentissage#

Voyons ce que sont l’apprentissage avec peu d’exemples, l’apprentissage sans exemple et l’apprentissage par transfert dans le domaine de la vision par ordinateur, et comment ils fonctionnent.

Apprentissage avec peu d’exemples#

L’apprentissage avec peu d’exemples est une méthode qui permet aux systèmes d’apprendre à reconnaître de nouveaux objets à partir d’un petit nombre d’exemples seulement. 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 reconnaître ces oiseaux.

Plus tard, si tu montres au modèle une nouvelle image, par exemple celle d’un manchot, il la compare aux images de son ensemble de support et choisit la correspondance la plus proche. Cette méthode est utile lorsqu’il est difficile de recueillir beaucoup de données, car le système peut tout de même apprendre et s’adapter à partir de quelques exemples seulement.

Fig. 1 Présentation du fonctionnement de l’apprentissage avec peu d’exemples.

Apprentissage sans exemple#

L’apprentissage sans exemple permet aux machines de reconnaître des choses qu’elles n’ont jamais vues auparavant, sans avoir besoin d’exemples. Il s’appuie sur des informations sémantiques, comme des descriptions, pour établir des associations.

Par exemple, si une machine a appris à reconnaître des animaux comme les chats, les lions et les chevaux en comprenant des caractéristiques telles que « petit et duveteux », « grand félin sauvage » ou « long museau », elle peut utiliser ces connaissances pour identifier un nouvel animal, comme un tigre. Même si elle n’a jamais vu de tigre, elle peut s’appuyer sur une description comme « un animal ressemblant à un lion avec des rayures foncées » pour l’identifier correctement. Les machines peuvent ainsi apprendre et s’adapter plus facilement sans avoir besoin de nombreux exemples. Les détecteurs à vocabulaire ouvert, comme YOLOE, appliquent cette même idée à la détection d’objets en les localisant uniquement à partir de requêtes textuelles.

Fig. 2 L’apprentissage sans exemple identifie de nouveaux objets à partir de descriptions.

Apprentissage par transfert#

L’apprentissage par transfert est un paradigme d’apprentissage dans lequel un modèle réutilise ce qu’il a appris lors d’une tâche pour 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 motifs.

Par exemple, en vision par ordinateur, un modèle préentraîné peut reconnaître des objets généraux comme les 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 antérieures, l’apprentissage par transfert facilite l’entraînement des 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 Présentation du fonctionnement de l’apprentissage par transfert.

Tu te demandes peut-être quels modèles prennent en charge l’apprentissage par transfert. Ultralytics YOLO11 (qui a depuis été remplacé par Ultralytics YOLO26) est un excellent exemple de modèle de vision par ordinateur capable de le faire. Ce modèle de détection d’objets de pointe est d’abord préentraîné sur un grand jeu de données généraliste. Il peut ensuite être affiné et entraîné sur mesure avec un jeu de données plus petit et spécialisé, pour des tâches précises.

Comparaison des paradigmes d’apprentissage#

Maintenant que nous avons parlé de l’apprentissage avec peu d’exemples, de l’apprentissage sans exemple et de l’apprentissage par transfert, comparons-les pour voir en quoi ils diffèrent.

Fig. 4. Principales différences entre l’apprentissage avec peu d’exemples, l’apprentissage sans exemple et l’apprentissage par transfert. Image de l’auteur.

L’apprentissage avec peu d’exemples est utile lorsque tu ne disposes que d’une petite quantité de données annotées. Il permet à un modèle d’IA d’apprendre à partir de quelques exemples seulement. L’apprentissage sans exemple, quant à lui, ne nécessite aucune donnée annotée. Il s’appuie plutôt sur des descriptions ou du contexte pour aider le système à accomplir de nouvelles tâches. L’apprentissage par transfert adopte une autre approche : il réutilise les connaissances de modèles préentraînés, ce qui leur permet de s’adapter rapidement à de nouvelles tâches avec très peu de données supplémentaires. Chaque méthode a ses propres atouts, selon le type de données et la tâche sur laquelle tu travailles.

Applications concrètes des différents paradigmes d’apprentissage#

Ces paradigmes d’apprentissage ont déjà des retombées dans de nombreux secteurs et permettent de résoudre des problèmes complexes grâce à des solutions novatrices. Voyons de plus près comment les appliquer dans le monde réel.

Diagnostiquer des maladies rares grâce à l’apprentissage avec peu d’exemples#

L’apprentissage à quelques exemples est particulièrement utile dans le secteur de la santé, notamment en imagerie médicale. Il peut aider les médecins à diagnostiquer des maladies rares à partir de quelques exemples seulement, voire de simples descriptions, sans nécessiter de grandes quantités de données. C’est particulièrement utile lorsque les données sont limitées, ce qui est souvent le cas, car il peut être difficile de collecter de grands jeux de données pour des maladies rares.

Par exemple, SHEPHERD utilise l’apprentissage avec peu d’exemples et des graphes de connaissances biomédicales pour diagnostiquer des maladies génétiques rares. Il met en correspondance les informations sur les patients, comme les symptômes et les résultats d’examens, avec un réseau de gènes et de maladies connus. Cela permet de déterminer la cause génétique probable et de 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 sans exemple#

En agriculture, il est essentiel d’identifier rapidement les maladies des plantes, car les retards de détection peuvent entraîner des dégâts importants aux cultures, une baisse des rendements et des pertes financières considérables. Les méthodes traditionnelles reposent souvent sur de grands jeux de données et l’expertise de spécialistes, qui ne sont pas toujours accessibles, notamment dans les régions éloignées ou disposant de ressources limitées. C’est là que les progrès de l’IA, comme l’apprentissage sans exemple, entrent en jeu.

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

Fig. 6 Utilisation de l’apprentissage sans exemple pour identifier les maladies des plantes.

Véhicules autonomes et apprentissage par transfert#

Les véhicules autonomes doivent souvent s’adapter à différents environnements pour circuler en toute sécurité. L’apprentissage par transfert leur permet d’utiliser leurs connaissances antérieures pour s’adapter rapidement à de nouvelles conditions, sans reprendre l’entraînement depuis le début. 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, ce qui rend la conduite autonome plus efficace et plus fiable.

Un bon exemple d’application concrète est un système de gestion du stationnement qui utilise Ultralytics YOLO11 pour surveiller les places de stationnement. YOLO11, un modèle de détection d’objets préentraîné, peut être affiné par apprentissage par transfert pour 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 avec précision les places disponibles, les places occupées et même les emplacements réservés.

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 globale des utilisateurs.

Tendances émergentes des paradigmes d’apprentissage#

L’avenir des paradigmes d’apprentissage en vision par ordinateur s’oriente vers le développement de systèmes d’IA visuelle plus intelligents et durables. Une tendance croissante consiste notamment à utiliser des approches hybrides qui combinent l’apprentissage avec peu d’exemples, l’apprentissage sans exemples et l’apprentissage par transfert. En associant 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 les modèles en s’appuyant sur les connaissances acquises lors de tâches précédentes et sur 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 traiter des tâches disposant de quantités de données différentes. 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 avec peu ou pas d’exemples préalables. Ces approches hybrides montrent comment l’intégration de différentes méthodes d’apprentissage peut aider les systèmes d’IA à relever les défis plus efficacement.

Points clés à retenir#

L’apprentissage avec peu d’exemples, l’apprentissage sans exemples et l’apprentissage par transfert répondent chacun à des défis spécifiques en vision par ordinateur et conviennent donc à différentes tâches. La bonne approche dépend de l’application concernée et de la quantité de données disponible. Par exemple, l’apprentissage avec peu d’exemples fonctionne bien avec des données limitées, tandis que l’apprentissage sans exemples est idéal pour traiter des classes inédites ou inconnues.

À l’avenir, l’accent sera probablement mis sur la combinaison de ces méthodes afin de créer des modèles hybrides qui intègrent la vision, le langage et l’audio. Ces avancées visent à rendre les systèmes d’IA plus flexibles, plus efficaces et plus aptes à résoudre des problèmes complexes, ouvrant ainsi de nouvelles perspectives d’innovation dans le domaine.

Approfondis tes connaissances en IA en rejoignant notre communauté et en consultant notre dépôt GitHub. Découvre comment l’IA dans les voitures autonomes et la vision par ordinateur en agriculture transforment l’avenir. Consulte les options de licence YOLO disponibles pour te lancer !