Visualisation des données

La visualisation des données est la représentation graphique des informations et des données. Dans le domaine de l'intelligence artificielle et de l'apprentissage automatique, elle sert de pont critique entre les résultats numériques complexes et la compréhension humaine. En traduisant les ensembles de données brutes, les architectures de modèles et les mesures de performance dans des formats visuels tels que les diagrammes, les graphiques, les cartes thermiques et les images superposées, la visualisation des données est une représentation graphique de l'information et des données, graphiques, des cartes thermiques et des images superposées, les développeurs peuvent découvrir des modèles cachés, identifier des corrélations et communiquer efficacement des informations. efficacement les idées. Cette pratique est essentielle non seulement pour présenter les résultats finaux, mais aussi à chaque étape du pipeline d'apprentissage automatique. Cette pratique est essentielle non seulement pour présenter les résultats finaux, mais aussi à chaque étape du pipeline d'apprentissage automatique, permettant aux ingénieurs de déboguer les modèles et aux parties prenantes de faire confiance aux décisions automatisées.

Le rôle de la visualisation dans le cycle de vie de la ML

Une visualisation efficace est indispensable tout au long du d'apprentissage machine (ML), en tant qu'outil de outil de diagnostic de la santé du modèle et de la qualité des données.

• Analyse exploratoire des données (AED) : Avant le début de la formation, des techniques de visualisation sont utilisées pour comprendre la structure sous-jacente d'un ensemble de données. comprendre la structure sous-jacente d'un ensemble de données. Les histogrammes et les diagrammes de dispersion les biais de l'ensemble de données et les déséquilibres de classes qui pourraient les performances du modèle. Des outils comme Matplotlib et Seaborn sont des outils standard de l'écosystème Python pour ces premières investigations.
• Formation et suivi du modèle : Au cours de la phase de formation, les ingénieurs track paramètres tels que les valeurs de la fonction de perte et les taux d'apprentissage. les valeurs de la fonction de perte et les taux d'apprentissage. La visualisation de ces courbes en temps réel à l'aide de plateformes telles que Weights & Biases permet de détecter détection précoce de problèmes tels que le surajustement ou l'explosion des gradients, ce qui permet d'économiser des ressources de calcul. l'explosion des gradients, ce qui permet d'économiser des ressources informatiques.
• Évaluation du modèle : L'analyse post-formation s'appuie souvent sur la matrice de confusion et courbe ROC (Receiver Operating Characteristic) pour évaluer la précision de la classification. Pour les données à haute dimension, des techniques telles que t-Distributed Stochastic Neighbor Embedding (t-SNE) réduisent les dimensions pour visualiser la façon dont un modèle regroupe des points de données similaires dans l'espace des caractéristiques.
• Inférence et interprétabilité : Enfin, la visualisation des prédictions du modèle, par exemple en dessinant des boîtes de délimitation autour des objets détectés, permet d'obtenir des informations sur la qualité de l'information. des boîtes de délimitation autour des objets détectés permet de vérifier immédiatement les capacités du système. Il s'agit là d'un élément essentiel de l'IA explicable (XAI). l 'IA explicable (XAI), qui vise à rendre transparente la prise de transparente.

Applications concrètes

La visualisation des données transforme les prédictions abstraites de l'IA en applications tangibles dans divers secteurs.

1. L'IA dans les soins de santé: Dans les diagnostics médicaux, la visualisation est primordiale. Les modèles d'apprentissage profond analysent les données d'analyse d'images médicales, telles que l'IRM ou les tomodensitogrammes, afin d'identifier les anomalies. En superposant des masques de segmentation directement sur l'imagerie médicale, les systèmes d 'IA médicale, les systèmes d'IA mettent en évidence l'emplacement et la forme exacts des tumeurs ou des fractures. Cette aide visuelle permet aux radiologues à établir des diagnostics plus rapides et plus précis, un avantage mis en évidence par l'Institut national d'imagerie biomédicale (National Institute of Biomedical Imaging). National Institute of Biomedical Imaging and Bioengineering.
2. Navigation autonome : Les véhicules auto-conduits et l'IA dans l'automobile s'appuient sur la visualisation des capteurs. l 'IA dans l'automobile reposent sur la visualisation des capteurs. Les ingénieurs utilisent des outils de visualisation 3D pour restituer les nuages de points issus du LiDAR et les données fournies par les caméras. En projetant les trajectoires prédites et les identifiants de suivi d'objets sur une sur une représentation virtuelle de la route, les développeurs peuvent vérifier que la voiture perçoit correctement les piétons, les autres véhicules et les panneaux de signalisation. véhicules et les panneaux de signalisation. Des sociétés comme NVIDIA Drive fournissent des des environnements de simulation spécialement conçus pour visualiser ces scénarios autonomes complexes.

Visualiser les prédictions avec Ultralytics

Le ultralytics simplifie la visualisation des tâches de vision par ordinateur. L'exemple suivant montre comment charger un YOLO11 d'inférence sur une image, et afficher les résultats visuels avec des boîtes de délimitation et des étiquettes. et afficher les résultats visuels avec des boîtes de délimitation et des étiquettes.

import cv2
from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on a local image or URL
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results by plotting detections on the image
for result in results:
    # plot() returns a BGR numpy array of the image with drawn boxes
    im_array = result.plot()

    # Display the image (requires a GUI environment)
    cv2.imshow("YOLO11 Visualization", im_array)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

Distinguer les termes apparentés

• L'analyse des données: Il s'agit du domaine plus large de l'inspection, du nettoyage et de la modélisation des données pour découvrir des informations utiles. La visualisation des données est un outil ou méthode spécifique utilisé dans le cadre de l'analyse pour présenter les résultats. Vous pouvez approfondir ces distinctions en consultant le guide d'IBM sur la visualisation des données. distinctions dans le guide d'IBM sur l'analyse des données et la visualisation des données. Analyse et visualisation des données.
• Vision par ordinateur (CV): CV se concentre sur le traitement automatisé et la compréhension des images par les machines. La visualisation en CV est la couche de sortie - montrant ce que l'ordinateur la couche de sortie - montrer ce que l'ordinateur "voit" (par exemple, des boîtes, des points clés) - alors que la CV elle-même englobe le traitement algorithmique des pixels. traitement algorithmique des pixels.
• Tableau de bord: Bien qu'apparenté le tableau de bord consiste à regrouper plusieurs visualisations en une seule interface pour un suivi en temps réel. Des outils comme Tableau ou Microsoft Power BI sont souvent utilisés pour créer des tableaux de bord qui track indicateurs clés de performance de haut niveau dérivés des modèles d'IA, tels que le nombre de passages des clients ou les taux de défauts de fabrication. de fabrication.

En maîtrisant la visualisation des données, les praticiens peuvent aller au-delà des chiffres bruts et tirer parti de stratégies d'IA centrées sur les données pour construire des systèmes plus robustes. les stratégies d'IA centrées sur les données pour construire des systèmes d'apprentissage automatique plus robustes, plus faciles à interpréter et plus efficaces, plus robustes, plus faciles à interpréter et plus efficaces.