Data Visualization

La visualisation de données est la représentation graphique d'informations et de données, servant de couche de traduction essentielle qui convertit des jeux de données numériques complexes en contextes visuels accessibles tels que des graphiques, des diagrammes 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 Plateforme Ultralytics, tu peux visualiser les annotations de tes jeux de données ainsi que la progression de l'entraînement, 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 de prise de décision automatisés.

Link to this sectionLe rôle de la visualisation en Computer Vision#

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

• Exploratory Data Analysis (EDA) : Avant l'entraînement, tu utilises la visualisation pour comprendre tes entrées. Des bibliothèques comme Matplotlib et Seaborn t'aident à tracer les distributions de classes pour détecter le biais du jeu de données. L'analyse de ces distributions garantit que les données d'entraînement représentent fidèlement l'environnement réel.
• Dynamique d'entraînement : Pendant le processus d'apprentissage, tu surveilles les performances en traçant la fonction de perte et la précision au fil du temps. Des outils comme TensorBoard ou Weights & Biases te permettent de suivre ces métriques en temps réel, t'aidant à repérer des problèmes tels que le surapprentissage ou la disparition des gradients tôt dans le processus.
• Résultats d'inférence : L'application la plus directe consiste à superposer les prédictions du modèle sur les images. Cela inclut le tracé de bounding boxes pour les tâches de détection, le coloriage de masques au niveau des pixels pour la segmentation d'image, ou le tracé de points clés pour l'estimation de pose.

Link to this sectionApplications concrètes#

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

1. Diagnostics de santé : Dans l'IA en santé, la visualisation est utilisée pour mettre en évidence des anomalies dans l'imagerie médicale. Par exemple, un modèle traitant des scanners IRM pourrait utiliser des superpositions de segmentation pour coder en couleur les régions tumorales. Cette aide visuelle assiste les radiologues dans la réalisation de diagnostics plus rapides et plus précis, servant de composante centrale de l'IA explicable (XAI).

2. Analyse 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 surveillance. Ces visualisations agrègent les modèles de mouvement des clients au fil du temps, révélant des "zones chaudes" où le trafic piétonnier est élevé. Ces données informent l'optimisation de l'agencement du magasin et les stratégies de placement des produits sans avoir besoin d'analyser des journaux de coordonnées bruts.

Link to this sectionDistinguer les termes associés#

• Data Analytics : Il s'agit de la science plus large consistant à analyser des données brutes pour tirer des conclusions. La visualisation est une technique utilisée au sein de l'analyse pour présenter les résultats. Tu peux en apprendre davantage sur cette distinction dans le guide d'analyse de Tableau.
• Data Mining : Le data mining se concentre sur la découverte algorithmique de modèles et de corrélations au sein de grands jeux de données. Alors que le minage extrait les connaissances, la visualisation fournit l'interface graphique pour les consulter.
• Dashboarding : Un tableau de bord est une collection de multiples visualisations organisées sur un seul écran pour fournir une vue d'ensemble complète de la santé du système ou des KPI commerciaux, souvent utilisée dans des outils de business intelligence comme Microsoft Power BI.

Link to this sectionImplémentation de la visualisation avec Ultralytics#

L'API Ultralytics simplifie la visualisation des résultats d'inférence. L'exemple suivant démontre 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 tracé des boîtes et des étiquettes, te permettant de vérifier immédiatement les capacités du modèle sur des tâches de détection d'objets.