En ajustant finement les modèles Ultralytics YOLO sur des appareils périphériques, Scaleout garde les données sur place, fonctionne hors ligne et déploie de nouveaux modèles de détection en quelques heures plutôt qu’en quelques semaines.
L’entraînement des modèles d’apprentissage automatique suppose généralement qu’on puisse rassembler toutes les données au même endroit, les envoyer dans le cloud et déployer un modèle finalisé. Dans de nombreux contextes réels, cette hypothèse ne tient pas. Dans les secteurs de la défense, de l’industrie et des environnements réglementés, les données ne peuvent pas quitter leur emplacement en raison des lois sur la protection de la vie privée, de leur classification de sécurité ou du coût élevé de la bande passante, et le réseau qui relie ces sites n’est pas toujours fiable.
Scaleout crée une infrastructure adaptée précisément à ces conditions. Sa plateforme Scaleout Edge utilise l’apprentissage fédéré pour entraîner les modèles là où se trouvent les données, au lieu de déplacer les données vers les modèles. Pour les projets de vision par ordinateur, Scaleout entraîne des modèles personnalisés et les ajuste sur les modèles Ultralytics YOLO, au moyen de Vision Ground Nodes, des stations périphériques accélérées par GPU déployées sur chaque site. Les détections s’améliorent ainsi sur le terrain sans que des images sensibles ne quittent jamais l’appareil.
Amener l’apprentissage automatique là où se trouvent les données#
Fondée en 2018 par des chercheurs de l’université d’Uppsala qui travaillaient sur des systèmes distribués à grande échelle, Scaleout s’est donné pour mission de rendre l’apprentissage automatique possible là où les données ne peuvent pas être centralisées. L’entreprise se concentre sur les contextes où rassembler les données au même endroit est difficile, voire impossible, et l’apprentissage fédéré est le mécanisme central qui rend cette approche possible.
L’apprentissage fédéré répartit l’entraînement entre de nombreux appareils, puis rassemble leurs mises à jour de modèle dans un plan de contrôle central qui les agrège pour créer un nouveau modèle global. Chaque appareil bénéficie d’une compréhension de son environnement local, tandis que l’ensemble du parc tire parti de l’intelligence collective. Les données restent là où elles doivent être et seul ce que le modèle a appris est transmis.
Les activités de Scaleout couvrent les secteurs de la défense, de l’industrie, des transports et d’autres domaines réglementés, et comprennent notamment le programme d’accélération NATO DIANA ainsi qu’une collaboration avec BAE Systems. Dans tous ces contextes, le constat est le même : les données ne peuvent pas être déplacées, mais les modèles doivent tout de même continuer à s’améliorer.
Les défis de l’apprentissage automatique en périphérie#
Voici un aperçu des contraintes auxquelles Scaleout a dû faire face pour entraîner des modèles sur le terrain :
- Matériel limité : Les déploiements sur le terrain ne disposent pas de serveurs de centre de données, mais seulement de petits appareils à faible consommation, comme l’ordinateur d’un drone. Exécuter un modèle finalisé sur ces appareils est possible, mais le réentraîner nécessite beaucoup plus de puissance de calcul.
- Données confinées à l’appareil : Les séquences vidéo nécessaires au réentraînement sont souvent propriétaires et ne peuvent pas être envoyées à un serveur central. Le modèle doit donc apprendre à partir de données qui ne quittent jamais la périphérie.
- Aucun spécialiste sur site : Les opérateurs qui capturent les données sur le terrain sont rarement des ingénieurs en apprentissage automatique. Le réentraînement ne peut donc pas dépendre de la présence d’experts en science des données.
- Des conditions en constante évolution : Les environnements de terrain évoluent rapidement. Le modèle doit donc être mis à jour en continu plutôt que selon des cycles de réentraînement lents et périodiques.
Ajuster finement les modèles Ultralytics YOLO en périphérie#
Pour respecter ces contraintes, Scaleout a mis au point une boucle d’entraînement qui fonctionne entièrement sur le terrain et place les modèles Ultralytics YOLO en son centre.
Sur chaque site, un Vision Ground Node — une station périphérique accélérée par GPU, dotée de ses propres capacités de calcul et de stockage — est installé à proximité d’un parc de drones. Pendant que les drones capturent des séquences vidéo, le nœud sélectionne les images les plus utiles, un opérateur les annote et le modèle YOLO est ajusté sur ce matériel local.
Après quelques époques d’entraînement, seul le modèle mis à jour est renvoyé au plan de contrôle, jamais les séquences vidéo brutes. Scaleout fournit cette boucle par l’intermédiaire de son module de vision, une extension de la plateforme Scaleout Edge qui regroupe dans un seul package les outils nécessaires à un projet de vision par ordinateur.
Ce module réunit la sélection des images, l’annotation, l’entraînement et le déploiement, tandis qu’Ultralytics YOLO se charge de la détection. Les équipes peuvent ainsi s’appuyer sur une base fonctionnelle au lieu d’assembler elles-mêmes tous ces éléments.
Scaleout a d’abord mis cette approche en œuvre dans le programme d’accélération NATO DIANA, en utilisant YOLOv8 pour ajuster la détection sur des données recueillies sur le terrain. Pour des raisons de confidentialité liées à leur caractère propriétaire, ces données ne pouvaient ni être transférées par les réseaux de terrain ni être centralisées. L’équipe a donc décentralisé l’ajustement fin, permettant au modèle d’apprendre localement à partir de nouveaux exemples.
La boucle est également conçue pour les opérateurs, et non pour les spécialistes de la science des données. Le système guide les non-spécialistes dans l’examen et l’annotation des images pertinentes, afin que les personnes sur le terrain puissent continuer à améliorer le modèle de manière autonome.
Les outils utilisés reflètent cette approche : la version open source de Label Studio pour l’annotation, un serveur de diffusion en continu pour recevoir les flux des drones et le package Python Ultralytics pour l’ajustement fin. Tout fonctionne sur des équipements allant des modules NVIDIA Jetson à une unité de terrain renforcée ou à un ordinateur portable, selon le déploiement.
Pourquoi choisir les modèles Ultralytics YOLO ?#
Pour Scaleout, le principal avantage d’Ultralytics YOLO est la légèreté de ses modèles, qui rend pratique l’apprentissage fédéré sur des connexions médiocres. Au lieu de déplacer les données brutes, Scaleout ne transmet que la mise à jour du modèle. Le modèle le plus utilisé, Ultralytics YOLOv8 nano, pèse environ 10,7 Mo ; une mise à jour complète constitue donc un petit paquet à envoyer, même lorsque la bande passante est limitée.
Le package Python Ultralytics offre également aux ingénieurs de Scaleout la flexibilité nécessaire pour entraîner et déployer les modèles sur des équipements variés. Le modèle compact YOLOv8 nano fonctionne sans difficulté sur des appareils périphériques aux ressources limitées, tandis que les options d’exportation du package permettent de déployer les modèles dans les différents environnements utilisés par Scaleout. Comme les modèles sont faciles à ajuster, les équipes peuvent rapidement les faire évoluer lorsque les conditions sur le terrain changent.
Ultralytics YOLO aide Scaleout à mettre à jour ses modèles plus rapidement#
Avec Ultralytics YOLO, la majeure partie du travail reste sur l’appareil. L’entraînement s’effectue sur des centaines de gigaoctets d’images de terrain, mais seul un modèle d’environ 10 Mo est transféré. Cela réduit considérablement la quantité de données à transmettre, ce qui rend l’entraînement fédéré viable sur les réseaux limités dont dépendent ces déploiements.
Cette approche accélère également le retour sur le terrain des modèles améliorés. Des semaines ou des mois peuvent se réduire à quelques jours ou à quelques heures lorsque la boucle fonctionne en périphérie : la collecte des données, leur envoi vers un emplacement central, le réentraînement et le redéploiement.
C’est dans les activités de Scaleout liées aux drones que cela apparaît le plus clairement. Lors d’une mission de reconnaissance militaire, un drone suit un parcours de recherche et utilise un modèle Ultralytics YOLO embarqué pour détecter, identifier et géolocaliser en temps réel des objets d’intérêt. Tous les traitements sont effectués sur l’ordinateur du drone plutôt que d’être envoyés ailleurs pour analyse.
À mesure que les drones recueillent de nouvelles séquences vidéo, les données sont envoyées à un Vision Ground Node, où YOLO est ajusté sur les nouvelles images. Un modèle mis à jour est ensuite déployé, sans que les séquences vidéo quittent jamais le site. Les modèles de détection doivent s’adapter rapidement à l’évolution des conditions et à des données qui ne peuvent pas être déplacées. Un modèle réentraîné localement reste utile là où un modèle statique entraîné de manière centralisée finirait par prendre du retard.
Fig. 1. Exemple de drones IA alimentés par Scaleout et Ultralytics YOLO (Source).
Le même principe s’applique bien au-delà des drones. Dans les environnements industriels, comme les sites énergétiques et les installations éloignées, où les données de chaque site sont sensibles, la plateforme améliore les modèles de détection sur de nombreux sites sans qu’aucune donnée brute ne franchisse les limites d’une installation. Que les données se trouvent sur un drone ou dans une installation fixe, Scaleout conserve les séquences vidéo sur place et ne transfère que ce que le modèle a appris.
Créer une IA adaptative pour les environnements où les données ne peuvent pas être déplacées#
À mesure que Scaleout se développe, l’entreprise étend sa vision par ordinateur fédérée et en périphérie à de nouveaux contextes et équipements. Ses modules préconfigurés sont conçus pour réduire des mois d’intégration à quelques jours, afin que les clients puissent utiliser leur propre matériel et adopter la boucle d’apprentissage adaptatif sans reconstruire le code d’apprentissage automatique sous-jacent.
Avec Ultralytics YOLO au cœur de son pipeline de détection, Scaleout permet d’entraîner et d’améliorer l’IA précisément dans les environnements où les approches classiques montrent leurs limites : les données restent sur place, les systèmes demeurent opérationnels en cas de panne réseau et des parcs d’appareils périphériques deviennent un système qui apprend continuellement dans son ensemble.
Prêt à découvrir ce que l’IA visuelle peut faire pour toi ? Consulte notre dépôt GitHub pour voir comment les modèles YOLO transforment des domaines tels que l’IA dans l’industrie manufacturière et la vision par ordinateur en robotique. Découvre nos options de licence et commence à mettre en place une automatisation plus intelligente.
Écrit par
Responsable du contenu numérique · Ultralytics
