Epoch

Une époque représente un cycle complet à travers l'intégralité du jeu de données d'entraînement par un algorithme d'apprentissage automatique. Au cours de ce processus, le modèle peut mettre à jour ses paramètres internes en fonction de chaque échantillon des données, exactement une fois. Dans le contexte de l'apprentissage profond, un seul passage suffit rarement à un réseau neuronal pour apprendre efficacement des motifs complexes. L'entraînement implique donc généralement plusieurs époques, ce qui permet à l'algorithme d'apprentissage d'affiner progressivement sa compréhension et de réduire l'écart entre ses prédictions et la vérité terrain réelle.

Le rôle des époques dans l'optimisation#

L'objectif principal de l'entraînement est d'ajuster les poids du modèle afin de minimiser une fonction de perte spécifique. Les algorithmes d'optimisation, tels que la descente de gradient stochastique (SGD) ou l'optimiseur Adam, utilisent l'erreur calculée à chaque époque pour guider ces ajustements. À mesure que le nombre d'époques augmente, le modèle passe généralement d'un état de forte erreur (prédictions aléatoires) à un état de faible erreur (motifs appris).

Cependant, choisir le nombre correct d'époques est un aspect essentiel de l'ajustement des hyperparamètres.

• Trop peu d'époques : Cela peut entraîner un sous-ajustement, lorsque le modèle n'a pas encore capturé la tendance sous-jacente des données.
• Trop d'époques : Cela entraîne souvent un surajustement, lorsque le modèle mémorise le bruit des données d'entraînement au lieu de généraliser à de nouvelles données. Pour éviter cela, les développeurs surveillent souvent les performances sur les données de validation et utilisent des techniques telles que l'arrêt anticipé pour interrompre l'entraînement lorsque la généralisation cesse de s'améliorer.

Époque, lot et itération#

Il est courant que les débutants confondent « époque » avec des termes associés. Comprendre la hiérarchie de ces concepts est essentiel pour configurer correctement les boucles d'entraînement :

• Époque : Un passage complet sur l'ensemble du jeu de données.
• Lot : Un sous-ensemble du jeu de données traité simultanément. Comme les jeux de données sont souvent trop volumineux pour tenir entièrement dans la mémoire du GPU, ils sont divisés en groupes plus petits définis par la taille du lot.
• Itération : Une seule mise à jour des poids du modèle. Si un jeu de données contient 1 000 images et que la taille du lot est de 100, il faudra 10 itérations pour terminer une époque.

Applications concrètes#

Le nombre d'époques nécessaires varie considérablement en fonction de la complexité de la tâche et de la taille des données.

• Analyse d'images médicales : Dans l'analyse d'images médicales, comme pour la détection de tumeurs sur des examens IRM, la précision est primordiale. Les modèles entraînés pour ces tâches fonctionnent souvent pendant des centaines d'époques. Cet entraînement prolongé permet au réseau neuronal convolutif (CNN) de distinguer des anomalies subtiles qui différencient les tissus malins des tissus sains, ce qui peut sauver des vies.
• Conduite autonome : Pour les véhicules autonomes, les modèles de détection d'objets doivent identifier de manière fiable les piétons, les panneaux et les autres véhicules. L'entraînement de ces systèmes robustes implique généralement d'immenses jeux de données comme COCO ou Objects365. Bien que la taille du jeu de données soit considérable, le modèle a toujours besoin de plusieurs époques pour converger vers une solution qui se généralise correctement à diverses conditions météorologiques et d'éclairage.

Gérer les cycles d'entraînement avec du code#

Avec des frameworks modernes comme Ultralytics YOLO, définir le nombre d'époques est un argument simple de la commande d'entraînement. Des outils comme la plateforme Ultralytics peuvent aider à visualiser les courbes de perte au fil des époques afin d'identifier le point d'arrêt optimal.

L'exemple suivant montre comment définir le nombre d'époques lors de l'entraînement d'un modèle YOLO26 :

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Train the model for 50 epochs
# The 'epochs' argument determines how many times the model sees the entire dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

Dans cet extrait, l'argument epochs=50 indique au moteur d'entraînement de parcourir le jeu de données coco8.yaml 50 fois distinctes. À chaque cycle, le modèle effectue une propagation avant et une rétropropagation afin d'affiner ses capacités de détection.