13 mars 2025
Apprenez ce qu'est le surajustement dans le domaine de la vision par ordinateur et comment l'éviter en utilisant l'augmentation des données, la régularisation et les modèles pré-entraînés.
Les modèles de vision par ordinateur sont conçus pour reconnaître des modèles, détecter des objets et analyser des images. Cependant, leurs performances dépendent de leur capacité à se généraliser à des données non vues. La généralisation est la capacité du modèle à fonctionner correctement sur de nouvelles images, et pas seulement sur celles sur lesquelles il a été entraîné. Un problème courant dans la formation de ces modèles est l'ajustement excessif, dans lequel un modèle apprend trop de ses données de formation, y compris des bruits inutiles, au lieu d'identifier des modèles significatifs.
Dans ce cas, le modèle donne de bons résultats sur les données d'apprentissage, mais se heurte à des difficultés avec les nouvelles images. Par exemple, un modèle de détection d'objets entraîné uniquement sur des images haute résolution et bien éclairées peut échouer lorsqu'il est confronté à des images floues ou ombrées dans des conditions réelles. Le surajustement limite l'adaptabilité d'un modèle, ce qui restreint son utilisation dans des applications réelles telles que la conduite autonome, l'imagerie médicale et les systèmes de sécurité.
Dans cet article, nous verrons ce qu'est l'overfitting, pourquoi il se produit et comment l'éviter. Nous verrons également comment les modèles de vision artificielle comme Ultralytics YOLO11 permettent de réduire l'overfitting et d'améliorer la généralisation.
Il y a surajustement lorsqu'un modèle mémorise des données d'apprentissage au lieu d'apprendre des modèles qui s'appliquent largement à de nouvelles données. Le modèle se concentre trop sur les données d'apprentissage et éprouve des difficultés avec les nouvelles images ou situations qu'il n'a jamais vues auparavant.
Dans le domaine de la vision par ordinateur, le surajustement peut affecter différentes tâches. Un modèle de classification formé uniquement sur des images claires et lumineuses peut s'avérer difficile à utiliser dans des conditions de faible luminosité. Un modèle de détection d'objets qui apprend à partir d'images parfaites peut échouer dans des scènes encombrées ou désordonnées. De même, un modèle de segmentation d'instance peut fonctionner correctement dans des environnements contrôlés, mais avoir des difficultés avec les ombres ou les objets qui se chevauchent.
Cela devient un problème dans les applications d'IA du monde réel, où les modèles doivent être capables de se généraliser au-delà des conditions d'entraînement contrôlées. Les voitures auto-conduites, par exemple, doivent pouvoir détecter les piétons dans des conditions d'éclairage, de météo et d'environnement différentes. Un modèle qui s'adapte trop à son ensemble de formation ne sera pas fiable dans des scénarios aussi imprévisibles.
Le surajustement est généralement dû à des ensembles de données déséquilibrés, à une complexité excessive du modèle et à un surentraînement. En voici les principales causes :
Une approche équilibrée de la complexité des modèles, de la qualité des données et des techniques de formation garantit une meilleure généralisation.
L'overfitting et l'underfitting sont deux problèmes complètement opposés dans le domaine de l'apprentissage profond.
Il y a surajustement lorsqu'un modèle est trop complexe, ce qui le rend trop axé sur les données d'apprentissage. Au lieu d'apprendre des modèles généraux, il mémorise de petits détails, même ceux qui ne sont pas pertinents, comme le bruit de fond. Le modèle obtient alors de bons résultats sur les données d'entraînement, mais éprouve des difficultés avec les nouvelles images, ce qui signifie qu'il n'a pas vraiment appris à reconnaître les modèles qui s'appliquent à différentes situations.
Il y a sous-ajustement lorsqu'un modèle est trop basique et qu'il ne tient pas compte des schémas importants dans les données. Cela peut se produire lorsque le modèle comporte trop peu de couches, que le temps d'apprentissage est insuffisant ou que les données sont limitées. Par conséquent, il ne reconnaît pas les schémas importants et fait des prédictions inexactes. Il en résulte des performances médiocres sur les données de formation et de test, car le modèle n'a pas suffisamment appris pour comprendre correctement la tâche.
Un modèle bien entraîné trouve l'équilibre entre la complexité et la généralisation. Il doit être suffisamment complexe pour apprendre des modèles pertinents, mais pas au point de mémoriser les données au lieu de reconnaître les relations sous-jacentes.
Le surajustement n'est pas inévitable et peut être évité. Avec les bonnes techniques, les modèles de vision artificielle peuvent apprendre des modèles généraux au lieu de mémoriser des données d'apprentissage, ce qui les rend plus fiables dans les applications du monde réel.
Voici cinq stratégies clés pour éviter le surajustement dans le domaine de la vision par ordinateur.
La meilleure façon d'aider un modèle à bien fonctionner sur de nouvelles données est d'élargir l'ensemble de données en utilisant l'augmentation des données et les données synthétiques. Les données synthétiques sont générées par ordinateur au lieu d'être collectées à partir d'images réelles. Elles permettent de combler les lacunes lorsqu'il n'y a pas assez de données réelles.
L'augmentation des données modifie légèrement les images existantes en les retournant, en les faisant pivoter, en les recadrant ou en ajustant la luminosité, de sorte que le modèle ne se contente pas de mémoriser des détails, mais apprend à reconnaître des objets dans des situations différentes.
Les données synthétiques sont utiles lorsque les images réelles sont difficiles à obtenir. Par exemple, les modèles de voitures autonomes peuvent s'entraîner sur des scènes de route générées par ordinateur pour apprendre à détecter des objets dans des conditions météorologiques et d'éclairage différentes. Le modèle devient ainsi plus souple et plus fiable, sans avoir besoin de milliers d'images réelles.
Un réseau neuronal profond, qui est un type de modèle d'apprentissage automatique comportant de nombreuses couches qui traitent les données au lieu d'une seule couche, n'est pas toujours meilleur. Lorsqu'un modèle comporte trop de couches ou de paramètres, il mémorise les données d'apprentissage au lieu de reconnaître des modèles plus larges. La réduction de la complexité inutile peut aider à prévenir l'adaptation excessive.
Pour y parvenir, l'une des approches est l'élagage, qui supprime les neurones et les connexions redondants, ce qui rend le modèle plus léger et plus efficace.
Une autre solution consiste à simplifier l'architecture en réduisant le nombre de couches ou de neurones. Les modèles pré-entraînés comme YOLO11 sont conçus pour bien se généraliser à travers les tâches avec moins de paramètres, ce qui les rend plus résistants à l'overfitting que l'entraînement d'un modèle profond à partir de zéro.
Trouver le bon équilibre entre la profondeur et l'efficacité du modèle permet d'apprendre des modèles utiles sans se contenter de mémoriser les données d'apprentissage.
Les techniques de régularisation empêchent les modèles de devenir trop dépendants de caractéristiques spécifiques dans les données d'apprentissage. Voici quelques techniques couramment utilisées :
Ces techniques permettent de maintenir la flexibilité et l'adaptabilité d'un modèle, réduisant ainsi le risque de surajustement tout en préservant la précision.
Pour éviter le surajustement, il est important de suivre la façon dont le modèle apprend et de s'assurer qu'il se généralise bien à de nouvelles données. Voici quelques techniques pour y parvenir :
Ces techniques aident le modèle à rester équilibré, de sorte qu'il apprend suffisamment pour être précis sans devenir trop concentré sur les seules données d'apprentissage.
Au lieu d'une formation à partir de zéro, l'utilisation de modèles préformés comme YOLO11 permet de réduire l'ajustement excessif. YOLO11 a été formé sur des ensembles de données à grande échelle, ce qui lui permet de bien se généraliser dans différentes conditions.
La mise au point d'un modèle pré-entraîné l'aide à conserver ce qu'il sait déjà lors de l'apprentissage de nouvelles tâches, de sorte qu'il ne se contente pas de mémoriser les données d'entraînement.
En outre, il est essentiel de garantir un étiquetage de haute qualité des ensembles de données. Des données mal étiquetées ou déséquilibrées peuvent induire les modèles en erreur et les amener à apprendre des schémas incorrects. Le nettoyage des ensembles de données, la correction des images mal étiquetées et l'équilibrage des classes améliorent la précision et réduisent le risque de surajustement. Une autre approche efficace est l'entraînement contradictoire, où le modèle est exposé à des exemples légèrement modifiés ou plus difficiles, conçus pour tester ses limites.
Le surajustement est un problème courant dans le domaine de la vision artificielle. Un modèle peut fonctionner correctement sur des données d'entraînement, mais s'avérer difficile à utiliser avec des images réelles. Pour éviter ce problème, des techniques telles que l'augmentation des données, la régularisation et l'utilisation de modèles pré-entraînés comme YOLO11 permettent d'améliorer la précision et l'adaptabilité.
En appliquant ces méthodes, les modèles d'IA peuvent rester fiables et performants dans différents environnements. À mesure que l'apprentissage profond s'améliore, s'assurer que les modèles se généralisent correctement sera la clé du succès de l'IA dans le monde réel.
Rejoignez notre communauté grandissante ! Explorez notre dépôt GitHub pour en savoir plus sur l'IA. Prêt à lancer vos propres projets de vision par ordinateur ? Consultez nos options de licence. Découvrez l'IA de vision dans la conduite autonome et l'IA dans les soins de santé en visitant nos pages de solutions !
FR
EN
ZH
KO
JA
RU
DE
ES
PT
IT
TR
VI
AR
Comment identifier le surajustement
Voici quelques signes indiquant qu'un modèle est surajusté :
Pour s'assurer qu'un modèle se généralise bien, il doit être testé sur divers ensembles de données reflétant les conditions du monde réel.