Visualisation des données

La visualisation des données est la représentation graphique d'informations et de données, qui sert de couche de traduction essentielle pour convertir des ensembles de données numériques complexes en contextes visuels accessibles tels que des tableaux, des graphiques et des cartes. Dans les domaines spécialisés de l' intelligence artificielle (IA) et de l' apprentissage automatique (ML), cette pratique est indispensable pour interpréter les vastes tableaux de tenseurs et de probabilités générés par les modèles. En exploitant des outils tels que la Ultralytics , les ingénieurs peuvent visualiser les annotations des ensembles de données et la progression de l'apprentissage, ce qui facilite l'identification des tendances, des valeurs aberrantes et des modèles qui resteraient cachés dans des feuilles de calcul brutes. Une visualisation efficace favorise la transparence, permettant aux développeurs de déboguer les systèmes et aux parties prenantes de faire confiance aux processus décisionnels automatisés.

Le rôle de la visualisation dans la vision par ordinateur

Pour les workflows de vision par ordinateur (CV), la visualisation est appliquée à chaque étape du cycle de vie du modèle, de la collecte initiale des données au déploiement final.

• Analyse exploratoire des données (EDA) : avant la formation, les praticiens utilisent la visualisation pour comprendre leurs entrées. Des bibliothèques telles que Matplotlib et Seaborn aident à tracer les distributions de classes afin de detect les biais dans les ensembles de données. L'analyse de ces distributions garantit que les données d'entraînement représentent fidèlement l'environnement réel.
• Dynamique de l'entraînement : pendant le processus d'apprentissage, les ingénieurs surveillent les performances en traçant la fonction de perte et la précision au fil du temps. Des outils tels que TensorBoard ou Weights & Biasestrack permettent aux utilisateurs de suivre ces mesures en temps réel, ce qui aide à repérer des problèmes tels que le surajustement ou la disparition des gradients dès le début du processus.
• Résultats de l'inférence : l'application la plus directe consiste à superposer les prédictions du modèle sur des images. Cela inclut le dessin de cadres de sélection pour les tâches de détection , la peinture de masques pixel par pixel pour la segmentation d'images ou le traçage de points clés pour l' estimation de la pose.

Applications concrètes

La visualisation comble le fossé entre les indicateurs techniques et la valeur commerciale dans divers secteurs.

1. Diagnostic médical : dans le domaine de l' IA appliquée à la santé, la visualisation est utilisée pour mettre en évidence les anomalies dans l'imagerie médicale. Par exemple, un modèle traitant des IRM peut utiliser des superpositions de segmentation pour coder par couleur les régions tumorales. Cette aide visuelle aide les radiologues à établir des diagnostics plus rapides et plus précis, et constitue un élément central de l' IA explicable (XAI).
2. Analyse du commerce de détail : pour l' IA dans le commerce de détail, les gérants de magasin utilisent des cartes thermiques générées à partir des flux de surveillance. Ces visualisations agrègent les schémas de déplacement des clients au fil du temps, révélant les « points chauds » où le trafic piétonnier est élevé. Ces données permettent d'optimiser l'agencement du magasin et les stratégies de placement des produits sans que l'utilisateur ait à analyser les journaux de coordonnées brutes.

Distinguer les termes apparentés

• Analyse des données: il s'agit de la science plus large qui consiste à analyser des données brutes pour en tirer des conclusions. La visualisation est une technique utilisée dans le cadre de l' analyse pour présenter les résultats. Vous pouvez en savoir plus sur cette distinction dans le guide Tableau sur l'analyse.
• Exploration de données: l'exploration de données se concentre sur la découverte algorithmique de modèles et de corrélations au sein de grands ensembles de données. Alors que l'exploration extrait les informations, la visualisation fournit l'interface graphique permettant de les afficher.
• Tableau de bord: un tableau de bord est un ensemble de visualisations organisées sur un seul écran afin de fournir une vue d'ensemble complète de l' état du système ou des indicateurs clés de performance (KPI) de l'entreprise. Il est souvent utilisé dans les outils de veille économique tels que Microsoft BI.

Mise en œuvre de la visualisation avec Ultralytics

Ultralytics simplifie la visualisation des résultats d'inférence. L'exemple suivant montre comment charger un modèle YOLO26 et afficher les objets détectés avec leurs étiquettes et leurs scores de confiance directement sur l'image.

from ultralytics import YOLO

# Load the latest YOLO26 model (recommended for new projects)
model = YOLO("yolo26n.pt")

# Run inference on an image source
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
for result in results:
    # plot() returns a BGR numpy array of the annotated image
    im_array = result.plot()
    # show() displays the image directly using the default image viewer
    result.show()

Cet extrait de code gère automatiquement le dessin des boîtes et des étiquettes, permettant aux développeurs de vérifier immédiatement les capacités du modèle sur les tâches de détection d'objets.