Qu’est-ce que ResNet-50 et quel est son rôle en vision par ordinateur ?

L’analyse automatisée d’images est de plus en plus courante dans des applications comme la détection des voitures en excès de vitesse ou l’analyse d’images médicales. La technologie à l’origine de ces innovations est la vision par ordinateur, ou vision par IA. C’est une branche de l’intelligence artificielle (IA) qui permet aux machines d’interpréter et de comprendre les images et les vidéos, à la manière des humains.

Pour créer de telles solutions de vision par ordinateur, les développeurs s’appuient sur des modèles de vision par IA capables d’apprendre à partir de grandes quantités de données visuelles. Au fil des ans, les chercheurs ont mis au point des modèles plus récents et plus avancés, qui offrent des performances impressionnantes pour des tâches de vision par IA comme la classification d’images (attribution d’étiquettes aux images), la détection d’objets (localisation et identification des objets dans les images) et la segmentation d’instances (détection des objets et délimitation précise de leur forme).

Cependant, revenir sur les modèles précédents et les comprendre peut aider à saisir le fonctionnement des systèmes de vision par ordinateur actuels. ResNet-50 en est un exemple important : ce modèle influent a introduit le concept de connexions raccourcies, des chemins simples qui aident le modèle à apprendre plus vite et avec plus de précision.

Cette innovation a permis d’entraîner efficacement des réseaux neuronaux beaucoup plus profonds, ce qui a considérablement amélioré la classification d’images et influencé la conception de nombreux modèles ultérieurs. Dans cet article, nous examinerons ResNet-50, son fonctionnement et son rôle dans l’évolution de la vision par ordinateur.

Qu’est-ce que ResNet-50 ?#

ResNet-50 est un modèle de vision par ordinateur fondé sur un type de réseau neuronal appelé réseau neuronal convolutif (CNN). Les CNN sont conçus pour aider les ordinateurs à comprendre les informations visuelles en apprenant à reconnaître des motifs dans les images, comme les contours, les couleurs ou les formes, puis en utilisant ces motifs pour reconnaître et classer les objets.

Présenté en 2015 par des chercheurs de Microsoft Research, ResNet-50 est rapidement devenu l’un des modèles les plus influents du domaine grâce à sa précision et à son efficacité pour les tâches de reconnaissance d’images à grande échelle.

Une caractéristique essentielle de ResNet-50 est l’utilisation de connexions résiduelles, également appelées connexions raccourcies. Il s’agit de chemins simples qui permettent au modèle de sauter certaines étapes du processus d’apprentissage. Autrement dit, au lieu d’obliger le modèle à transmettre les informations à travers toutes les couches, ces raccourcis lui permettent de transmettre plus directement les détails importants. L’apprentissage est ainsi plus rapide et plus fiable.

Fig. 1. Aperçu des connexions résiduelles dans l’architecture ResNet.

Cette conception aide à résoudre un problème courant de l’apprentissage profond appelé le problème du gradient qui disparaît. Dans les modèles très profonds, des informations importantes peuvent se perdre en traversant de nombreuses couches, ce qui complique l’apprentissage du modèle.

Les connexions résiduelles contribuent à éviter ce problème en assurant une circulation claire des informations du début à la fin. C’est pourquoi le modèle s’appelle ResNet-50 : ResNet signifie « réseau résiduel », et le « 50 » fait référence au nombre de couches utilisées pour traiter une image.

Vue d’ensemble du fonctionnement de ResNet-50#

ResNet-50 possède une structure bien organisée qui permet au modèle d’être profond sans perdre d’informations importantes. Il suit un schéma simple et répétable, qui assure son efficacité tout en maintenant de bonnes performances.

Voici un aperçu plus détaillé du fonctionnement de l’architecture ResNet-50 :

• Extraction de caractéristiques de base : Le modèle commence par appliquer une opération mathématique appelée convolution. De petits filtres (appelés noyaux) glissent sur l’image pour produire des cartes de caractéristiques, c’est-à-dire de nouvelles versions de l’image qui mettent en évidence des motifs de base comme les contours ou les textures. Le modèle commence ainsi à repérer les informations visuelles utiles.
• Apprentissage de caractéristiques complexes : À mesure que les données traversent le réseau, la taille des cartes de caractéristiques diminue. Pour cela, on utilise des techniques comme le pooling ou des filtres dont le pas (appelé stride) est plus grand. En parallèle, le réseau crée davantage de cartes de caractéristiques, ce qui l’aide à saisir des motifs de plus en plus complexes, comme des formes, des parties d’objets ou des textures.
• Compression et expansion des données : chaque bloc goulot d’étranglement compresse les données, les traite, puis les développe à nouveau. Cela aide le modèle à apprendre tout en économisant de la mémoire.
• Connexions raccourcies : Ces chemins simples permettent aux informations d’avancer en sautant certaines couches, plutôt que de les traverser toutes. Ils rendent l’apprentissage plus stable et plus efficace.
• Production d’une prédiction : À la fin du réseau, toutes les informations apprises sont combinées et transmises à une fonction softmax. Celle-ci produit une distribution de probabilités sur les classes possibles, indiquant le degré de confiance du modèle dans chaque prédiction — par exemple, 90 % chat, 9 % chien, 1 % voiture.

Fig. 2. Architecture ResNet-50.

Caractéristiques principales de ResNet-50#

Bien que ResNet-50 ait été conçu à l’origine pour la classification d’images, sa conception flexible l’a rendu utile dans de nombreux domaines de la vision par ordinateur. Voyons quelques-unes des caractéristiques qui distinguent ResNet-50.

Utiliser ResNet-50 pour la classification d’images#

ResNet-50 est principalement utilisé pour la classification d’images, dont l’objectif est d’attribuer une étiquette à une image. Par exemple, à partir d’une photo, le modèle peut l’étiqueter comme représentant un chien, un chat ou un avion, selon l’objet principal qu’il voit.

Sa conception fiable et sa disponibilité dans des bibliothèques d’apprentissage profond très utilisées, comme PyTorch et TensorFlow, ont fait de ResNet-50 un choix populaire pour l’entraînement sur de grands jeux de données d’images. L’un des exemples les plus connus est ImageNet, une vaste collection d’images étiquetées utilisée pour évaluer et comparer les modèles de vision par ordinateur.

Même si des modèles plus récents, comme Ultralytics YOLO11, offrent de meilleures performances, ResNet-50 reste couramment utilisé comme référence grâce à son bon équilibre entre précision, vitesse et simplicité.

Fig. 3. Exemple d’utilisation de ResNet-50 pour classer un chien.

Détection d’objets grâce aux réseaux de base ResNet-50#

Alors que la classification d’images consiste à identifier l’objet principal d’une image, la détection d’objets va plus loin en repérant et en étiquetant plusieurs objets dans une même image. Par exemple, dans une image représentant une rue animée, un modèle peut devoir détecter des voitures, des bus et des personnes, puis déterminer où chacun se trouve.

ResNet-50 sert de réseau dorsal à certains de ces modèles. Il prend en charge la première étape : analyser l’image et en extraire les détails importants qui décrivent ce qu’elle contient et où se trouvent les éléments. Ces détails sont ensuite transmis à la partie suivante du modèle, appelée tête de détection, qui décide finalement quels objets figurent dans l’image et où ils se trouvent.

Des modèles de détection populaires comme Faster R-CNN et DETR utilisent ResNet-50 pour cette étape d’extraction des caractéristiques. Comme il saisit bien les détails fins et la disposition générale d’une image, il aide ces modèles à produire des prédictions précises, même dans des scènes complexes.

Apprentissage par transfert avec ResNet-50#

Une autre caractéristique intéressante de ResNet-50 est sa capacité à prendre en charge l’apprentissage par transfert. Cela signifie que le modèle, initialement entraîné sur un grand jeu de données comme ImageNet pour la classification d’images, peut être adapté à de nouvelles tâches avec beaucoup moins de données.

Au lieu de repartir de zéro, on réutilise la plupart des couches du modèle et on remplace uniquement la couche de classification finale, qui est ensuite réentraînée pour la nouvelle tâche. Cette méthode fait gagner du temps et se révèle particulièrement utile lorsque les données étiquetées sont limitées.

Applications de ResNet-50 en vision par ordinateur#

L’architecture de ResNet-50 l’a rendu utile pour un large éventail d’applications de vision par ordinateur. Elle a joué un rôle particulièrement important aux débuts de l’apprentissage profond, en aidant la technologie de vision par IA à passer de la recherche aux applications concrètes. En relevant des défis clés, elle a contribué à ouvrir la voie aux modèles plus avancés utilisés aujourd’hui.

Imagerie médicale basée sur ResNet-50#

ResNet-50 a été l’un des premiers modèles utilisés en imagerie médicale basée sur l’apprentissage profond. Les chercheurs s’en sont servis pour repérer des signes de maladie dans les radiographies, les IRM et d’autres examens diagnostiques. Par exemple, le modèle a contribué à détecter des tumeurs et à classer des images de rétine diabétique afin d’appuyer le diagnostic en ophtalmologie.

Des modèles plus avancés sont désormais utilisés dans les outils cliniques, mais ResNet-50 a joué un rôle clé dans les premières recherches en IA médicale. Sa facilité d’utilisation et sa conception modulaire en faisaient un choix adapté à la création de prototypes de systèmes de diagnostic.

Fig. 4. Détection de tumeurs cérébrales avec ResNet-50.

Automatisation industrielle grâce à ResNet-50#

De même, ResNet-50 a également été utilisé dans l’industrie. Par exemple, dans le secteur manufacturier, il a été employé dans des travaux de recherche et des systèmes pilotes pour détecter des défauts de surface sur des matériaux comme l’acier, le béton et les pièces peintes.

Il a également été testé dans des systèmes conçus pour détecter les soufflures, les fissures ou les dépôts qui apparaissent lors du moulage ou de l’assemblage. ResNet-50 convient bien à ces tâches, car il peut repérer de subtiles différences de texture de surface, une capacité importante pour le contrôle qualité.

Des modèles plus avancés comme Ultralytics YOLO11 sont désormais couramment utilisés dans les systèmes de production, mais ResNet-50 joue toujours un rôle important dans la recherche universitaire et l’évaluation comparative, en particulier pour les tâches de classification d’images.

Fig. 5. Inspection de surface avec ResNet-50.

Avantages et limites de ResNet-50#

Voici quelques-uns des avantages de ResNet-50 :

• De solides performances de référence : ResNet-50 offre une bonne précision pour un large éventail de tâches, ce qui en fait une référence fiable pour les projets de recherche et les projets appliqués.
• Bien documentée et largement étudiée : Son architecture est bien comprise et abondamment documentée, ce qui facilite le dépannage et l’apprentissage pour les développeurs et les chercheurs.
• Polyvalente dans différents domaines : De l’imagerie médicale à la fabrication, ResNet-50 a été appliqué avec succès à divers problèmes concrets, démontrant sa flexibilité.

Voici maintenant un aperçu des limites de ResNet-50 :

• Forte consommation de ressources : ResNet-50 nécessite davantage de mémoire et de puissance de calcul que les modèles légers, ce qui peut le rendre moins adapté aux appareils mobiles ou aux applications en temps réel.
• Surapprentissage sur de petits ensembles de données : En raison de sa profondeur et de sa complexité, ResNet-50 peut surapprendre lorsqu’il est entraîné sur une quantité limitée de données sans techniques de régularisation appropriées.
• Taille d’entrée fixe : ResNet-50 s’attend généralement à recevoir des images d’une taille précise, par exemple 224×224 pixels. Les images doivent donc souvent être redimensionnées ou recadrées, ce qui peut parfois supprimer des détails importants.

Points clés à retenir#

ResNet-50 a montré que les réseaux très profonds pouvaient être entraînés efficacement tout en offrant de solides performances sur des tâches visuelles. Son architecture a fourni un cadre clair et pratique pour créer des modèles plus profonds et fiables.

Après sa publication, les chercheurs ont développé cette architecture en créant des versions plus profondes comme ResNet-101 et ResNet-152. Dans l’ensemble, ResNet-50 est un modèle clé qui a contribué à façonner l’utilisation actuelle de l’apprentissage profond en vision par ordinateur.

Rejoins notre communauté grandissante ! Explore notre dépôt GitHub pour en savoir plus sur l’IA. Prêt à démarrer tes propres projets de vision par ordinateur ? Consulte nos options de licence. Découvre l’IA dans l’agriculture et l’IA visuelle dans la santé sur nos pages consacrées à nos solutions !