Utiliser les augmentations d’Albumentations pour diversifier tes données

Lors de la création d'une solution de vision par ordinateur, la collecte d'un ensemble diversifié d'images pour entraîner des modèles d'IA de vision peut constituer une étape cruciale du processus. Cela demande souvent beaucoup de temps et d'argent, et il arrive que les images collectées ne soient toujours pas suffisamment variées pour permettre aux modèles d'apprendre efficacement.

Par exemple, les modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent être entraînés sur mesure à partir de jeux de données d'images pour différentes tâches de vision par ordinateur liées à diverses applications. La diversité des données est essentielle, car elle aide le modèle à mieux généraliser et lui permet de reconnaître des objets et des motifs dans un large éventail de scénarios réels.

Si tu manques de données diversifiées, les techniques d'augmentation des données d'image peuvent être une excellente solution. Des méthodes comme la rotation, le retournement et l'ajustement de la luminosité peuvent accroître la variété de ton jeu de données et améliorer la capacité du modèle à gérer un plus large éventail de conditions.

C'est pourquoi Ultralytics prend en charge une intégration dédiée à l'augmentation des données d'image. Avec Albumentations, un outil populaire proposant un ensemble de transformations, tu peux créer des données visuelles diversifiées. Cette intégration simplifie l'entraînement de YOLO11 en augmentant automatiquement les images d'entraînement, ce qui améliore les performances du modèle.

Dans cet article, nous verrons comment utiliser l'intégration Albumentations, quels sont ses avantages et quel est son impact sur l'entraînement des modèles.

Qu'est-ce qu'Albumentations ?#

Les modèles de vision par ordinateur peuvent apprendre à partir d'un vaste ensemble d'images de haute qualité pour reconnaître des objets dans différents environnements. La collecte de grands jeux de données issus de sources réelles peut être lente, coûteuse et inefficace. Pour simplifier cette tâche, tu peux utiliser l'augmentation des données d'image afin de créer de nouvelles variantes d'images existantes, ce qui aide les modèles à apprendre à partir de différents scénarios sans recueillir davantage de données.

Plus précisément, tu peux exploiter Albumentations, une bibliothèque open source lancée en 2018 pour augmenter efficacement les données d'image. Elle prend en charge diverses opérations, depuis les modifications géométriques simples comme les rotations et les retournements jusqu'à des ajustements plus complexes tels que la luminosité, le contraste et l'ajout de bruit.

Fig. 1. Exemples de différents types d'augmentations de données d'image.

Fonctionnalités clés d'Albumentations#

Albumentations est réputée pour ses performances élevées, ce qui lui permet de traiter les images rapidement et efficacement. Fondée sur des bibliothèques optimisées comme OpenCV et NumPy, elle gère de grands jeux de données avec un temps de traitement minimal, ce qui la rend idéale pour augmenter rapidement les données pendant l'entraînement des modèles.

Voici quelques autres fonctionnalités clés d'Albumentations :

• Large éventail de transformations : Albumentations propose plus de 70 types d'augmentations. Ces variantes aident les modèles à apprendre à détecter des objets malgré les changements de luminosité, d'angle ou d'arrière-plan.
• Optimisée pour la vitesse : elle utilise des techniques d'optimisation avancées comme SIMD (instruction unique, données multiples), qui traite plusieurs points de données simultanément afin d'accélérer l'augmentation des images et de gérer efficacement les grands jeux de données.
• Trois niveaux d'augmentations : elle enrichit les données de trois manières. Par exemple, les augmentations au niveau des pixels ajustent la luminosité et la couleur sans modifier les objets. Les augmentations au niveau spatial modifient quant à elles la position des objets tout en préservant les détails essentiels, tandis que les augmentations au niveau du mélange combinent des parties de différentes images pour créer de nouveaux échantillons.

Pourquoi utiliser l'intégration Albumentations ?#

Tu te demandes peut-être pourquoi choisir une intégration prenant en charge une bibliothèque comme Albumentations : il existe de nombreuses façons d'appliquer des augmentations à un jeu de données, et tu pourrais même créer les tiennes avec des outils comme OpenCV.

Créer manuellement des augmentations avec des outils comme OpenCV peut prendre beaucoup de temps et nécessite une certaine expertise. Il peut également être difficile d'ajuster finement les transformations pour obtenir les meilleurs résultats. L'intégration Albumentations simplifie ce processus. Elle propose de nombreuses transformations prêtes à l'emploi qui peuvent te faire gagner du temps et des efforts lors de la préparation de ton jeu de données.

Une autre raison de choisir l'intégration Albumentations est sa parfaite compatibilité avec le pipeline d'entraînement des modèles d'Ultralytics. Elle facilite grandement l'entraînement personnalisé de YOLO11, car les augmentations sont appliquées automatiquement pendant l'entraînement. Elle simplifie le processus afin que tu puisses davantage te concentrer sur l'amélioration de ton modèle plutôt que sur la préparation des données.

Premiers pas avec l'intégration Albumentations#

Fait intéressant, utiliser les intégrations Albumentations pour entraîner Ultralytics YOLO11 est plus simple qu'il n'y paraît. Une fois les bibliothèques nécessaires installées, l'intégration applique automatiquement les augmentations de données d'image pendant l'entraînement. Elle aide le modèle à apprendre à partir de différentes variantes d'images en utilisant le même jeu de données.

Voyons maintenant comment installer et utiliser l'intégration Albumentations lors de l'entraînement personnalisé d'Ultralytics YOLO11.

Installer le paquet Python Ultralytics et Albumentations#

Avant d'appliquer les augmentations, le paquet Python Ultralytics et Albumentations doivent tous deux être installés. L'intégration a été conçue pour que les deux bibliothèques fonctionnent ensemble de manière transparente par défaut, tu n'as donc pas à te soucier de configurations complexes.

L’ensemble du processus d’installation peut être effectué en quelques minutes à l’aide d’une seule commande pip, un outil de gestion des packages servant à installer des bibliothèques Python, comme indiqué dans l’image ci-dessous.

Fig. 2. Installation d'Ultralytics et d'Albumentations.

Une fois Albumentations installé, le mode d'entraînement des modèles Ultralytics applique automatiquement les augmentations d'image pendant l'entraînement. Si Albumentations n'est pas installé, ces augmentations ne sont pas appliquées. Pour plus de détails, tu peux consulter la documentation officielle d'Ultralytics.

Entraîner Ultralytics YOLO11 avec l'intégration Albumentations#

Examinons plus en détail ce qui se passe en coulisses avec l'intégration Albumentations.

Voici un aperçu plus détaillé des augmentations appliquées pendant l'entraînement d'Ultralytics YOLO11 :

• Flou : cette transformation ajoute un léger flou à une image. Elle aide le modèle à détecter les objets même lorsqu'ils sont flous.
• Flou médian : il réduit le bruit aléatoire tout en préservant les contours des objets dans une image. Le modèle peut ainsi détecter plus facilement les objets dans des environnements complexes.
• Niveaux de gris : en convertissant une image en noir et blanc, cette augmentation peut aider le modèle à se concentrer sur les formes et les textures plutôt que sur les couleurs.
• CLAHE (égalisation adaptative de l'histogramme limitée par le contraste) : cette augmentation renforce le contraste des images, en particulier dans les zones trop sombres ou difficiles à distinguer, comme dans des conditions de faible luminosité ou de brume. Les objets présents dans ces zones deviennent ainsi plus nets et plus faciles à identifier pour le modèle.

Fig. 3. Exemple d'augmentation en niveaux de gris appliquée à une image de chat.

Applications d'Ultralytics YOLO11 et de l'intégration Albumentations#

Si tu entraînes Ultralytics YOLO11 sur mesure pour une application spécifique, l'intégration Albumentations peut contribuer à améliorer les performances du modèle en l'adaptant à diverses conditions. Examinons quelques applications réelles et les défis que cette intégration peut résoudre.

Améliorer l'imagerie médicale#

L'IA de vision dans le secteur de la santé aide les médecins à analyser plus précisément les images médicales afin de faciliter les diagnostics et d'améliorer les soins aux patients. En fait, environ un cinquième des organisations de santé utilisent déjà des solutions d'IA.

Cependant, la création de ces solutions de vision par ordinateur comporte son lot de défis. Les examens médicaux peuvent varier considérablement d'un hôpital à l'autre, sous l'influence de facteurs tels que les différences d'équipement, de réglages et même d'expérience des techniciens. Les variations de luminosité, de contraste et d'exposition peuvent affecter la cohérence et la précision des modèles d'IA de vision, ce qui complique leur fonctionnement fiable dans différents environnements.

C'est là que l'intégration d'outils comme Albumentations devient essentielle. En générant plusieurs versions augmentées d'un même examen, Albumentations permet au modèle d'apprendre à partir d'une variété de qualités d'image. Le modèle devient ainsi plus robuste et peut détecter les maladies avec précision sur des images de qualité élevée comme faible.

Fig. 4. Images radiographiques augmentées.

Renforcer la sécurité et la surveillance#

Une autre application intéressante de l'IA de vision concerne la sécurité et la surveillance. La détection d'objets en temps réel peut aider les équipes de sécurité à identifier rapidement les menaces potentielles.

L'une des principales préoccupations liées à cette application est que les caméras de sécurité capturent des images dans différentes conditions de luminosité au cours de la journée, et que ces conditions peuvent considérablement influencer la manière dont un modèle interprète ces images. Des facteurs comme les environnements peu éclairés, les reflets ou la mauvaise visibilité peuvent empêcher les modèles de vision par ordinateur de détecter systématiquement les objets ou de reconnaître les menaces potentielles.

L'intégration Albumentations aide en appliquant des transformations qui reproduisent différentes conditions de luminosité. Le modèle peut ainsi apprendre à détecter des objets dans des environnements très éclairés comme peu éclairés, ce qui le rend plus fiable et améliore les temps de réponse dans des conditions difficiles.

Redéfinir les flux de travail du commerce de détail et l'expérience client#

Une flaque dans l'allée d'un supermarché, un chien qui traverse un magasin ou un enfant qui renverse un présentoir de produits ne sont que quelques exemples d'événements quotidiens pouvant constituer des cas limites pour les environnements d'IA de vision dans le commerce de détail. La vision par ordinateur est de plus en plus utilisée pour améliorer l'expérience client en suivant le comportement des acheteurs, en surveillant la fréquentation et en identifiant les produits en rayon. Cependant, ces situations réelles peuvent être difficiles à comprendre et à traiter avec précision pour les systèmes d'IA.

Même si tous les scénarios ne peuvent pas être représentés dans un jeu de données de vision par ordinateur, l'intégration Albumentations aide en augmentant les données pour couvrir de nombreuses situations possibles, comme une luminosité inattendue, des angles inhabituels ou des obstructions. Les modèles de vision par ordinateur peuvent ainsi s'adapter à diverses conditions, ce qui améliore leur capacité à gérer les cas limites et à produire des prédictions précises dans des environnements de commerce de détail dynamiques.

Points clés à retenir#

La collecte de données réelles diversifiées pour entraîner un modèle peut être complexe, mais Albumentations facilite cette tâche en créant des variantes d'images qui aident les modèles à s'adapter à différentes conditions.

L'intégration Albumentations prise en charge par Ultralytics simplifie l'application de ces augmentations lors de l'entraînement personnalisé de YOLO11. Il en résulte une meilleure qualité des jeux de données, ce qui profite à un large éventail de secteurs en produisant des modèles d'IA de vision plus précis et plus fiables.

Rejoins notre communauté et explore notre dépôt GitHub pour en savoir plus sur l'IA, puis consulte nos options de licence pour lancer tes projets d'IA de vision. Tu t'intéresses à des innovations comme l'IA dans l'industrie ou la vision par ordinateur pour la conduite autonome ? Consulte nos pages de solutions pour en découvrir davantage.