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

L'analyse automatisée d'images devient de plus en plus courante dans des applications telles que la détection de voitures en excès de vitesse ou l'analyse d'images médicales. La technologie qui propulse ces innovations est la vision par ordinateur (computer vision) ou l'IA visuelle. Il s'agit d'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 de nouveaux modèles plus avancés offrant des performances impressionnantes sur des tâches de vision par ordinateur telles que la classification d'images (l'attribution d'étiquettes aux images), la détection d'objets (la localisation et l'identification d'objets dans les images) et la segmentation d'instances (la détection d'objets et le tracé de leurs contours exacts).

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 des réseaux de neurones beaucoup plus profonds de manière efficace, entraînant des améliorations significatives dans la classification d'images et façonnant la conception de nombreux modèles qui ont suivi. Dans cet article, nous allons explorer ResNet-50, son fonctionnement et sa pertinence dans l'évolution de la vision par ordinateur. C'est parti !

Qu'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 des contours, des couleurs ou des 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 éviter cela en maintenant un flux d'informations clair du début à la fin. C'est pourquoi le modèle s'appelle ResNet-50 : ResNet signifie Residual Network (réseau résiduel), et le « 50 » fait référence au nombre de couches qu'il utilise pour traiter une image.

Un 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 ou kernels) sur l'image pour produire des cartes de caractéristiques - de nouvelles versions de l'image qui mettent en valeur des motifs de base comme les contours 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.
• Réalisation d'une prédiction : À la fin du réseau, toutes les informations apprises sont combinées et passées à travers une fonction softmax. Cela produit 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.

Caractéristiques 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.

Utiliser ResNet-50 pour la classification d'images#

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

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

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

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

Détection d'objets activée par les backbones ResNet-50#

Alors que la classification d'images consiste à identifier l'objet principal dans une photo, la détection d'objets va plus loin en trouvant et en étiquetant plusieurs objets dans la même image. Par exemple, dans 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.

Apprentissage par transfert avec ResNet-50#

Un autre aspect intéressant du modèle ResNet-50 est sa capacité à prendre en charge l'apprentissage par transfert (transfer learning). Cela signifie que le modèle, initialement entraîné sur un grand ensemble 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.

Applications 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.

Imagerie médicale pilotée par ResNet-50#

ResNet-50 a été l'un des premiers modèles utilisés en imagerie médicale basée sur l'apprentissage profond. Les chercheurs l'ont mis à profit pour identifier des schémas de maladies dans les radiographies, les IRM et d'autres examens 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 tumeurs cérébrales basée sur ResNet-50.

Automatisation industrielle alimentée par ResNet-50#

De même, ResNet-50 a également été appliqué dans des environnements industriels. Par exemple, dans le secteur manufacturier, il a été utilisé dans des systèmes de recherche et 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 Ultralytics YOLO11 soient désormais couramment utilisés dans les systèmes de production, ResNet-50 joue toujours un rôle important dans la recherche académique et l'évaluation comparative, en particulier pour les tâches de classification d'images.

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

Avantages 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 ensembles 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.

Points 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 en pleine croissance ! Explore notre dépôt GitHub pour en savoir plus sur l'IA. Prêt à lancer tes propres projets de vision par ordinateur ? Consulte nos options de licence. Découvre l'IA en agriculture et l'IA visuelle dans la santé en visitant nos pages de solutions !