Utiliser les augmentations d’Albumentations pour diversifier tes données

Lors de la création d’une solution de vision par ordinateur, recueillir un ensemble diversifié d’images pour entraîner des modèles d’IA pour la vision peut être une étape cruciale. Cela demande souvent beaucoup de temps et d’argent et, parfois, les images recueillies ne sont toujours pas assez 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 diverses tâches de vision par ordinateur liées à différentes applications. La diversité des données est essentielle, car elle aide le modèle à mieux généraliser et à reconnaître des objets et des motifs dans un large éventail de scénarios du monde réel.

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 éventail plus large de conditions.

C’est pourquoi Ultralytics propose une intégration pour l’augmentation des données d’image. Avec Albumentations, un outil populaire qui offre 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. Recueillir de grands jeux de données à partir de sources du monde réel peut être long, coûteux et inefficace. Pour simplifier cette tâche, tu peux utiliser l’augmentation des données d’image afin de créer de nouvelles variations d’images existantes et d’aider les modèles à apprendre à partir de différents scénarios sans recueillir davantage de données.

Tu peux notamment utiliser Albumentations, une bibliothèque open source lancée en 2018 pour augmenter efficacement les données d’image. Elle prend en charge diverses opérations, des modifications géométriques simples comme les rotations et les retournements aux ajustements plus complexes comme la luminosité, le contraste et l’ajout de bruit.

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

Principales fonctionnalités d’Albumentations#

Albumentations est réputée pour ses performances élevées : elle traite les images rapidement et efficacement. Développée à partir de bibliothèques optimisées comme OpenCV et NumPy, elle traite de grands jeux de données en un minimum de temps de calcul, ce qui la rend idéale pour augmenter rapidement les données pendant l’entraînement des modèles.

Voici d’autres fonctionnalités clés d’Albumentations :

• Large éventail de transformations : Albumentations propose plus de 70 types d’augmentations. Ces variations aident les modèles à apprendre à détecter des objets malgré les changements d’éclairage, d’angle ou d’arrière-plan.
• Optimisée pour la vitesse : elle utilise des techniques d’optimisation avancées comme SIMD (instructions uniques, données multiples), qui traite plusieurs points de données à la fois pour accélérer l’augmentation des images et gérer efficacement les grands jeux de données.
• Trois niveaux d’augmentation : elle enrichit les données de trois façons. Par exemple, les augmentations au niveau des pixels ajustent la luminosité et les couleurs sans modifier les objets. Les augmentations spatiales modifient le positionnement des objets tout en préservant les détails essentiels, tandis que les augmentations par mélange fusionnent des parties de différentes images pour créer de nouveaux échantillons.

Pourquoi utiliser l’intégration Albumentations ?#

Tu te demandes peut-être pourquoi choisir une intégration pour une bibliothèque comme Albumentations, alors qu’il existe de nombreuses façons d’appliquer des augmentations à un jeu de données et que 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 demande une certaine expertise. Il peut aussi 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 réduire les efforts lors de la préparation de ton jeu de données.

L’intégration d’Albumentations est également intéressante parce qu’elle fonctionne parfaitement avec le pipeline d’entraînement des modèles d’Ultralytics. Elle facilite grandement l’entraînement personnalisé de YOLO11, car les transformations sont appliquées automatiquement pendant l’entraînement, en complément des augmentations intégrées d’Ultralytics. Elle simplifie le processus, afin que tu puisses te concentrer davantage sur l’amélioration de ton modèle que sur la préparation des données.

Premiers pas avec l’intégration Albumentations#

Fait intéressant, l’intégration d’Albumentations pour entraîner Ultralytics YOLO11 est plus simple qu’il n’y paraît. Une fois les bibliothèques adéquates installées, l’intégration applique automatiquement des augmentations aux images pendant l’entraînement. Le modèle peut ainsi apprendre à partir de différentes variantes d’images provenant du même jeu de données.

Voyons maintenant comment installer et utiliser l’intégration Albumentations pour entraîner Ultralytics YOLO11 sur mesure.

Installation du package Python Ultralytics et d’Albumentations#

Avant d’appliquer des augmentations, tu dois installer le package Python Ultralytics et Albumentations. L’intégration a été conçue pour que les deux bibliothèques fonctionnent ensemble par défaut : tu n’as donc pas à te soucier de configurations complexes.

L’ensemble de l’installation peut être effectué en quelques minutes à l’aide d’une seule commande avec pip, le gestionnaire de paquets qui permet d’installer des bibliothèques Python, comme le montre 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 des augmentations aux images pendant l’entraînement. Si Albumentations n’est pas installé, ces augmentations ne seront pas appliquées. Tu peux aussi remplacer ces augmentations par défaut par tes propres transformations Albumentations personnalisées en les transmettant à l’argument d’entraînement augmentations.

Entraîner Ultralytics YOLO11 avec l’intégration Albumentations#

Examinons plus en détail ce qui se passe en coulisses dans 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 d’histogramme à contraste limité) : cette augmentation renforce le contraste des images, en particulier dans les zones trop sombres ou difficiles à voir, comme dans des conditions de faible luminosité ou de brume. Les objets 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 précise, l’intégration Albumentations peut contribuer à améliorer les performances du modèle en l’adaptant à différentes conditions. Examinons quelques applications concrètes et les défis que cette intégration peut aider à résoudre.

Améliorer l’imagerie médicale#

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

Cependant, la création de ces solutions de vision par ordinateur présente ses propres défis. Les images médicales peuvent varier considérablement d’un hôpital à l’autre, en fonction de facteurs comme le matériel utilisé, les réglages et même l’expérience des techniciens. Les variations de luminosité, de contraste et d’exposition peuvent affecter la cohérence et la précision des modèles d’IA pour la 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’une même image médicale, Albumentations permet au modèle d’apprendre à partir d’images de qualités variées. Le modèle gagne ainsi en robustesse et peut détecter les maladies avec précision sur des images de haute comme de basse qualité.

Fig. 4 Images radiographiques augmentées.

Renforcer la sécurité et la surveillance#

La sécurité et la surveillance constituent une autre application intéressante de l’IA pour la vision. La détection d’objets en temps réel peut aider les équipes de sécurité à repérer rapidement les menaces potentielles.

L’un des principaux défis de cette application est que les caméras de sécurité enregistrent des images dans des conditions d’éclairage variées au cours de la journée, ce qui peut fortement influencer la façon dont un modèle interprète ces images. La faible luminosité, les reflets ou le manque de visibilité peuvent empêcher les modèles de vision par ordinateur de détecter les objets ou de reconnaître les menaces potentielles de manière cohérente.

L’intégration Albumentations aide en appliquant des transformations qui reproduisent différentes conditions d’éclairage. Le modèle apprend ainsi à détecter des objets dans des environnements très lumineux comme faiblement éclairés. Il gagne en fiabilité et réagit plus rapidement dans des conditions difficiles.

Repenser les processus de vente au détail et l’expérience client#

Un liquide renversé dans une allée de supermarché, un chien qui traverse un magasin ou un enfant qui renverse une présentation de produits ne sont que quelques exemples d’événements courants pouvant constituer des cas limites dans les environnements de vente au détail utilisant l’IA pour la vision. La vision par ordinateur est de plus en plus utilisée pour améliorer l’expérience client en suivant le comportement des acheteurs, en surveillant le flux de visiteurs et en repérant les produits en rayon. Pourtant, ces situations réelles peuvent être difficiles à interpréter et à traiter avec précision pour les systèmes d’IA.

Même si un jeu de données de vision par ordinateur ne peut représenter tous les scénarios, l’intégration Albumentations contribue à couvrir de nombreuses situations possibles en augmentant les données, par exemple en simulant un éclairage inattendu, des angles inhabituels ou des obstructions. Les modèles de vision par ordinateur s’adaptent ainsi à différentes conditions, gèrent mieux les cas limites et produisent des prédictions précises dans des environnements de vente au détail dynamiques.

Points clés à retenir#

Recueillir des données diversifiées du monde réel pour entraîner un modèle peut être compliqué, mais Albumentations simplifie la tâche en créant des variations 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 un jeu de données de meilleure qualité, bénéfique à de nombreux secteurs puisqu’il permet de créer des modèles d’IA pour la 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 pour la vision. Les innovations comme l’IA dans l’industrie manufacturière ou la vision par ordinateur pour les voitures autonomes t’intéressent ? Consulte nos pages de solutions pour en découvrir davantage.