Ensemble

L’apprentissage par ensemble est une stratégie robuste en apprentissage automatique (ML) qui consiste à combiner plusieurs modèles indépendants, souvent appelés « apprenants faibles », afin de produire une sortie prédictive unique. Le principe fondamental est qu’un groupe de modèles peut souvent atteindre une meilleure précision et une meilleure capacité de généralisation qu’un seul modèle utilisé individuellement. En agrégeant les prédictions d’algorithmes diversifiés, les méthodes d’ensemble réduisent efficacement le risque de [surapprentissage](https://ultralytics-translation-2.invalid des données d’entraînement, atténuent les erreurs aléatoires et améliorent la stabilité globale du système. Cette approche s’apparente au fait de consulter un panel d’experts plutôt que de s’appuyer sur l’avis d’une seule personne pour prendre une décision critique.

Mécanismes de l’apprentissage par ensemble#

L’efficacité des méthodes d’ensemble repose sur leur capacité à agir sur le compromis biais-variance. Les modèles individuels peuvent souffrir d’une variance élevée (sensibilité au bruit) ou d’un biais élevé (simplification excessive). L’apprentissage par ensemble atténue ces problèmes grâce à des techniques spécifiques :

• Bagging (agrégation bootstrap) : Cette technique consiste à entraîner plusieurs instances du même algorithme sur différents sous-ensembles du jeu de données. L’exemple le plus célèbre est l’algorithme Random Forest, qui agrège les décisions de nombreux arbres de décision afin de réduire la variance.
• Boosting : Contrairement au bagging, le boosting entraîne les modèles séquentiellement. Chaque nouveau modèle se concentre sur la correction des erreurs commises par les précédents. Des frameworks populaires comme LightGBM et CatBoost utilisent cette approche pour créer des systèmes prédictifs très précis.
• Stacking (généralisation empilée) : Cette technique consiste à entraîner un nouveau « méta-modèle » pour combiner les prédictions de plusieurs modèles de base hétérogènes (par exemple, un réseau neuronal et une machine à vecteurs de support).

Apprentissage par ensemble en vision par ordinateur#

Dans le domaine de la vision par ordinateur (CV), les ensembles sont fréquemment utilisés pour maximiser les performances dans les compétitions et les applications critiques pour la sécurité. Pour la détection d’objets, cela consiste souvent à exécuter plusieurs modèles — comme différentes versions de YOLO26 — sur la même image. Les boîtes englobantes obtenues sont ensuite fusionnées à l’aide de techniques telles que la suppression des non-maxima (NMS) ou la fusion pondérée des boîtes (WBF) afin de déterminer les emplacements d’objets les plus probables.

Applications concrètes#

Les méthodes d’ensemble sont omniprésentes dans les secteurs où la fiabilité des prédictions est primordiale.

1. Diagnostic et imagerie médicale : Dans le domaine de la santé, il est essentiel d’éviter les faux négatifs. Un ensemble peut combiner un réseau neuronal convolutif (CNN) entraîné sur des radiographies avec un Transformer de vision (ViT) afin de détecter des anomalies. Le consensus entre les modèles fournit un score de confiance plus élevé, ce qui aide les radiologues à détecter des tumeurs ou à diagnostiquer des maladies rares.

2. Détection de la fraude financière : Les établissements financiers utilisent des ensembles pour analyser les schémas de transaction. En combinant des modèles de régression logistique avec des modèles de boosting par gradient, le système peut détecter de subtils indicateurs de fraude qui pourraient échapper à un modèle unique, tout en maintenant un faible taux de fausses alertes.

Implémenter l’apprentissage par ensemble de modèles avec Python#

Tu peux simuler un ensemble d’inférence de base en chargeant plusieurs modèles entraînés et en générant des prédictions pour la même entrée. La plateforme Ultralytics te permet d’entraîner facilement ces variantes. L’exemple suivant montre comment charger deux modèles Ultralytics YOLO différents (YOLO26n et YOLO26s) afin de vérifier les détections sur une image.

from ultralytics import YOLO

# Load two distinct YOLO26 model variants
# 'n' (nano) is faster, 's' (small) is more accurate
model_nano = YOLO("yolo26n.pt")
model_small = YOLO("yolo26s.pt")

# Define the image source
source = "https://ultralytics.com/images/bus.jpg"

# Run inference with both models
results_n = model_nano(source)
results_s = model_small(source)

# Compare the number of objects detected by each model
print(f"Nano Model Found: {len(results_n[0].boxes)} objects")
print(f"Small Model Found: {len(results_s[0].boxes)} objects")

Ensemble et augmentation des données#

Il est important de distinguer l’apprentissage par ensemble de l’augmentation des données.

• L’ensemble se concentre sur l’architecture et la phase de prédiction, en combinant plusieurs modèles distincts entraînés afin d’améliorer les résultats.
• L’augmentation des données se concentre sur la phase des données d’entraînement, en augmentant artificiellement la diversité du jeu de données (par exemple, via la rotation ou le retournement) afin d’entraîner un modèle unique plus robuste.

Alors que l’augmentation des données aide un modèle unique à mieux apprendre, l’apprentissage par ensemble aide plusieurs modèles à vérifier leurs sorties respectives. Les deux stratégies sont souvent utilisées conjointement pour obtenir des résultats de pointe dans des tâches telles que la segmentation d’instances et l’estimation de pose.