Qu'est-ce que ResNet-50 et quelle est sa pertinence dans la vision par ordinateur ?

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

Pour créer de telles solutions de vision par ordinateur, les développeurs s'appuient sur des modèles d'IA visuelle capables d'apprendre à partir de grandes quantités de données visuelles. Au fil des ans, les chercheurs ont développé des modèles plus récents et plus avancés avec des performances impressionnantes sur les tâches d'IA visuelle comme la classification d'images (attribuer des étiquettes aux images), la détection d'objets (localiser et identifier des objets dans des images) et la segmentation d'instances (détecter des objets et délimiter leurs formes exactes).

Cependant, jeter un coup d'œil en arrière et comprendre les premiers modèles peut aider à saisir comment fonctionnent les systèmes de vision par ordinateur actuels. Par exemple, ResNet-50 est un modèle influent qui a introduit l'idée de connexions raccourcies (shortcut connections) : des voies simples qui aident le modèle à apprendre plus rapidement et plus précisément.

Cette innovation a permis d'entraîner efficacement des réseaux de neurones beaucoup plus profonds, menant à des améliorations significatives dans la classification d'images et façonnant la conception de nombreux modèles qui ont suivi. Dans cet article, nous explorerons ResNet-50, son fonctionnement et sa pertinence dans l'évolution de la vision par ordinateur. Commençons !

Link to this sectionQu'est-ce que ResNet-50 ?#

ResNet-50 est un modèle de vision par ordinateur basé sur un type de réseau de neurones appelé réseau de neurones convolutifs (CNN). Les CNN sont conçus pour aider les ordinateurs à comprendre les informations visuelles en apprenant des motifs dans les images, tels que les bords, les couleurs ou les formes, et en utilisant ces motifs pour reconnaître et classifier des objets.

Introduit en 2015 par des chercheurs de Microsoft Research, ResNet-50 est rapidement devenu l'un des modèles les plus marquants du domaine en raison de sa précision et de son efficacité dans les tâches de reconnaissance d'images à grande échelle.

Une caractéristique clé de ResNet-50 est son utilisation de connexions résiduelles, également appelées connexions raccourcies. Ce sont des voies simples qui permettent au modèle de sauter certaines étapes du processus d'apprentissage. En d'autres termes, au lieu de forcer le modèle à faire passer l'information par chaque couche, ces raccourcis lui permettent de transmettre les détails importants plus directement. Cela rend l'apprentissage plus rapide et plus fiable.

Fig 1. Un aperçu des connexions résiduelles dans l'architecture ResNet.

Cette conception aide à résoudre un problème courant dans l'apprentissage profond appelé le problème de la disparition du gradient (vanishing gradient problem). Dans les modèles très profonds, des informations importantes peuvent être perdues à mesure qu'elles traversent de nombreuses couches, ce qui rend difficile l'apprentissage pour le modèle.

Les connexions résiduelles aident à prévenir cela en maintenant une circulation claire de l'information du début à la fin. C'est pourquoi le modèle est appelé ResNet-50 : ResNet signifie Residual Network (réseau résiduel), et le « 50 » fait référence au nombre de couches qu'il utilise pour traiter une image.

Link to this sectionUn aperçu 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 modèle simple et répétable qui garantit l'efficacité tout en permettant 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. Cela implique de faire glisser de petits filtres (appelés noyaux) sur l'image pour produire des cartes de caractéristiques (feature maps) - de nouvelles versions de l'image qui mettent en évidence des motifs de base comme les bords ou les textures. C'est ainsi que le modèle commence à capter des informations visuelles utiles.
• Apprentissage de caractéristiques complexes : À mesure que les données traversent le réseau, la taille des cartes de caractéristiques diminue. Cela se fait via des techniques comme le pooling ou l'utilisation de filtres avec des pas plus grands (appelés strides). En même temps, le réseau crée davantage de cartes de caractéristiques, l'aidant à capturer des motifs de plus en plus complexes, comme des formes, des parties d'objets ou des textures.
• Compression et expansion des données : Chaque étape compresse les données, les traite, puis les développe à nouveau. Cela aide le modèle à apprendre tout en économisant de la mémoire.
• Connexions raccourcies : Ce sont des chemins simples qui permettent à l'information de sauter des étapes au lieu de passer par chaque couche. Elles rendent l'apprentissage plus stable et plus efficace.
• Réaliser une prédiction : À la fin du réseau, toutes les informations apprises sont combinées et transmises à une fonction softmax. Cela génère une distribution de probabilité sur les classes possibles, indiquant la confiance du modèle dans chaque prédiction — par exemple, 90 % chat, 9 % chien, 1 % voiture.

Fig 2. L'architecture ResNet-50.

Link to this sectionCaractéristiques clés de ResNet-50#

Même si ResNet-50 a été initialement conçu pour la classification d'images, sa conception flexible l'a rendu utile dans de nombreux domaines de la vision par ordinateur. Examinons quelques-unes des caractéristiques qui font la particularité de ResNet-50.

Link to this sectionUtiliser ResNet-50 pour la classification d'images#

ResNet-50 est principalement utilisé pour la classification d'images, où l'objectif est d'attribuer une étiquette à une image. Par exemple, à partir d'une photo, le modèle peut l'étiqueter comme chien, chat ou avion en fonction de l'objet principal qu'il voit.

Sa conception fiable et sa disponibilité dans des bibliothèques d'apprentissage profond largement utilisées comme PyTorch et TensorFlow ont fait de ResNet-50 un choix initial 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.

Bien que des modèles plus récents, tels qu'Ultralytics YOLO11, le surpassent, ResNet-50 est toujours couramment utilisé comme référence grâce à son équilibre solide entre précision, vitesse et simplicité.

Fig 3. Un exemple d'utilisation de ResNet-50 pour classifier un chien.

Link to this sectionDétection d'objets activée par les backbones ResNet-50#

Alors que la classification d'images consiste à identifier l'objet principal d'une photo, la détection d'objets va plus loin en trouvant et en étiquetant plusieurs objets dans la même image. Par exemple, sur l'image d'une rue animée, un modèle peut avoir besoin de détecter des voitures, des bus et des personnes, et de déterminer où se trouve chacun d'eux.

ResNet-50 est utilisé comme backbone dans certains de ces modèles. Cela signifie qu'il gère la première partie du travail : analyser l'image et extraire les détails importants qui décrivent ce qu'elle contient et où. Ces détails sont ensuite transmis à la partie suivante du modèle, appelée tête de détection (detection head), qui prend les décisions finales sur les objets présents dans l'image et leur emplacement.

Des modèles de détection populaires comme Faster R-CNN et DETR utilisent ResNet-50 pour cette étape d'extraction de caractéristiques. Parce qu'il capture efficacement à la fois les détails fins et la disposition globale d'une image, il aide ces modèles à faire des prédictions précises, même dans des scènes complexes.

Link to this sectionApprentissage par transfert avec ResNet-50#

Un autre aspect intéressant du modèle ResNet-50 est sa capacité à prendre en charge le transfer learning. Cela signifie que le modèle, initialement entraîné sur un vaste jeu de données comme ImageNet pour la classification d'images, peut être adapté à de nouvelles tâches avec beaucoup moins de données.

Plutôt que de repartir de zéro, la plupart des couches du modèle sont réutilisées, et seule la couche de classification finale est remplacée et réentraînée pour la nouvelle tâche. Cela permet de gagner du temps et s'avère particulièrement utile lorsque les données étiquetées sont limitées.

Link to this sectionApplications de ResNet-50 en vision par ordinateur#

L'architecture de ResNet-50 l'a rendu utile pour une large gamme d'applications de vision par ordinateur. Il a été particulièrement important aux débuts de l'apprentissage profond, aidant à faire passer la technologie de l'IA visuelle de la recherche à une utilisation réelle. En résolvant des défis clés, il a ouvert la voie aux modèles plus avancés que nous voyons dans les applications actuelles.

Link to this sectionImagerie médicale pilotée par ResNet-50#

ResNet-50 a été l'un des premiers modèles utilisés dans l'imagerie médicale basée sur l'apprentissage profond. Les chercheurs l'ont mis à profit pour identifier des motifs de maladies dans des radiographies, des IRM et d'autres scans diagnostiques. Par exemple, il a aidé à détecter des tumeurs et à classifier des images rétiniennes diabétiques pour soutenir le diagnostic en ophtalmologie.

Bien que des modèles plus avancés soient désormais utilisés dans les outils cliniques, ResNet-50 a joué un rôle clé dans les premières recherches en IA médicale. Sa facilité d'utilisation et sa conception modulaire en ont fait un choix approprié pour créer des prototypes de systèmes de diagnostic.

Fig 4. Détection de tumeur cérébrale basée sur ResNet-50.

Link to this sectionAutomatisation industrielle alimentée par ResNet-50#

De même, ResNet-50 a également été appliqué dans des environnements industriels. Par exemple, dans la fabrication, il a été utilisé dans des recherches et des systèmes pilotes pour détecter des défauts de surface sur des matériaux tels que l'acier, le béton et les pièces peintes.

Il a également été testé dans des configurations pour identifier les trous d'insectes, les fissures ou les dépôts qui se forment lors du moulage ou de l'assemblage. ResNet-50 est bien adapté à ces tâches car il peut repérer des différences subtiles dans la texture de surface, une capacité importante pour l'inspection de la qualité.

Bien que des modèles plus avancés comme YOLO11 soient désormais couramment utilisés dans les systèmes de production, ResNet-50 joue toujours un rôle important dans la recherche académique et l'étalonnage, en particulier pour les tâches de classification d'images.

Fig 5. Inspection de surface à l'aide de ResNet-50.

Link to this sectionAvantages et limites de ResNet-50#

Voici un aperçu de certains des avantages de ResNet-50 :

• Performances de référence solides : ResNet-50 offre une précision solide sur une large gamme de tâches, ce qui en fait une référence de confiance tant dans les projets de recherche que dans les projets appliqués.
• Bien documenté et largement étudié : Son architecture est bien comprise et minutieusement documentée, ce qui facilite le dépannage et l'apprentissage pour les développeurs et les chercheurs.
• Polyvalent à travers les domaines : De l'imagerie médicale à la fabrication, ResNet-50 a été appliqué avec succès à une variété de problèmes réels, prouvant sa flexibilité.

Par ailleurs, voici un aperçu des limites de ResNet-50 :

• Consommation élevée de ressources : ResNet-50 nécessite plus 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 (overfitting) sur de petits jeux de données : En raison de sa profondeur et de sa complexité, ResNet-50 peut faire du surapprentissage lorsqu'il est entraîné sur des données limitées sans techniques de régularisation appropriées.
• Taille d'entrée fixe : ResNet-50 attend généralement que les images aient une taille spécifique, comme 224x224 pixels, donc les images doivent souvent être redimensionnées ou recadrées, ce qui peut parfois supprimer des détails importants.

Link to this sectionPoints clés#

ResNet-50 a prouvé que des réseaux très profonds pouvaient être entraînés efficacement tout en offrant de fortes performances sur les tâches visuelles. Son architecture offrait un cadre clair et pratique pour construire des modèles plus profonds fonctionnant de manière fiable.

Après sa sortie, les chercheurs ont développé le design, créant des versions plus profondes comme ResNet-101 et ResNet-152. Dans l'ensemble, ResNet-50 est un modèle clé qui a aidé à façonner la manière dont l'apprentissage profond est utilisé dans la vision par ordinateur aujourd'hui.

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 en visitant nos pages de solutions !