Data Visualization

La visualisation des données est la représentation graphique des informations et des données. Elle sert de couche de traduction essentielle qui convertit des jeux de données numériques complexes en contextes visuels accessibles, comme des diagrammes, des graphiques et des cartes. Dans les domaines spécialisés de l’intelligence artificielle (AI) et du Machine Learning (ML), cette pratique est indispensable pour interpréter les vastes tableaux de tenseurs et de probabilités générés par les modèles. En s’appuyant sur des outils comme la plateforme Ultralytics, les ingénieurs peuvent visualiser les annotations des jeux de données et la progression de l’entraînement, ce qui facilite l’identification des tendances, des valeurs aberrantes et des schémas qui resteraient dissimulés dans des feuilles de calcul brutes. Une visualisation efficace favorise la transparence, permettant aux développeurs de déboguer les systèmes et aux parties prenantes d’accorder leur confiance aux processus de prise de décision automatisés.

Le rôle de la visualisation en vision par ordinateur#

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

• Analyse exploratoire des données (EDA) : avant l’entraînement, les praticiens utilisent la visualisation pour comprendre leurs données d’entrée. Des bibliothèques comme Matplotlib et Seaborn permettent de représenter la distribution des classes afin de détecter le biais du jeu 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 l’exactitude au fil du temps. Des outils comme TensorBoard ou Weights & Biases permettent aux utilisateurs de suivre ces métriques en temps réel et de repérer rapidement des problèmes comme le surapprentissage ou la disparition des gradients.
• Résultats de l’inférence : l’application la plus directe consiste à superposer les prédictions du modèle sur les images. Cela inclut le tracé de boîtes englobantes pour les tâches de détection, la création de masques pixel par pixel pour la segmentation d’image ou le tracé de points clés pour l’estimation de pose.

Applications concrètes#

La visualisation fait le lien entre les métriques techniques et la valeur métier dans divers secteurs.

1. Diagnostic médical : dans le domaine de l’IA dans la santé, la visualisation sert à mettre en évidence les anomalies dans les images médicales. Par exemple, un modèle qui traite des scanners IRM peut utiliser des superpositions de segmentation pour appliquer un code couleur aux régions tumorales. Cette aide visuelle permet aux radiologues d’établir des diagnostics plus rapides et plus précis, et constitue un composant essentiel de l’IA explicable (XAI).

2. Analyse du commerce de détail : pour l’IA dans le commerce de détail, les responsables de magasin utilisent des cartes de chaleur générées à partir des flux de vidéosurveillance. Ces visualisations agrègent au fil du temps les schémas de déplacement des clients et révèlent les « zones chaudes » où le passage est important. Ces données éclairent l’optimisation de l’agencement du magasin et les stratégies de placement des produits, sans que l’utilisateur ait à analyser des journaux de coordonnées brutes.

Distinction entre les termes associés#

• Analyse des données : il s’agit de la discipline plus générale qui consiste à analyser des données brutes pour tirer des conclusions. La visualisation est une technique utilisée dans le cadre de l’analyse pour présenter les résultats. Tu peux en apprendre davantage sur cette distinction dans le guide de Tableau consacré à l’analyse.
• Exploration de données : l’exploration de données se concentre sur la découverte algorithmique de schémas et de corrélations au sein de grands jeux de données. Alors que l’exploration extrait les informations utiles, la visualisation fournit l’interface graphique permettant de les consulter.
• Création de tableaux de bord : un tableau de bord est un ensemble de plusieurs visualisations organisées sur un même écran afin de fournir une vue d’ensemble complète de l’état d’un système ou des KPI métier. Il est souvent utilisé dans des outils de business intelligence comme Microsoft Power BI.

Mettre en œuvre la visualisation avec Ultralytics#

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

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 tracé des boîtes et des étiquettes, ce qui permet aux développeurs de vérifier immédiatement les capacités du modèle sur des tâches de détection d’objets.