Image Classification

La classification d’images est une tâche de vision par ordinateur où un modèle examine une image entière et lui attribue une étiquette parmi un ensemble fixe de classes, ainsi qu’un score de confiance pour chaque classe. Elle répond à la question « que représente cette image ? » : un chat ou un chien, un produit défectueux ou conforme, une pneumonie ou un état normal. C’est la plus simple des tâches fondamentales de vision, mais aussi le fondement des autres, car les réseaux dorsaux d’abord entraînés à classer de grandes collections d’images sont réutilisés comme extracteurs de caractéristiques pour la détection et la segmentation par apprentissage par transfert.

Fonctionnement de la classification d’images#

Un classifieur transforme les pixels en probabilités de classe en trois étapes. Un réseau dorsal, soit un réseau neuronal convolutif (CNN), soit un transformeur de vision (ViT), extrait des caractéristiques couche après couche, des contours et textures dans les premières couches aux parties d’objets et aux objets entiers dans les couches plus profondes. Une étape de regroupement réduit les cartes de caractéristiques finales à un vecteur unique qui résume l’image entière. Une couche entièrement connectée produit ensuite un score, ou logit, pour chaque classe, et la fonction softmax convertit ces scores en probabilités dont la somme vaut 1.

Les modèles apprennent cette correspondance par apprentissage supervisé sur des images étiquetées, en minimisant la perte d’entropie croisée entre les probabilités prédites et la classe réelle. La classification à étiquette unique (multiclasse) sélectionne exactement une classe par image avec softmax. La classification multilabel, utilisée lorsqu’une image peut montrer plusieurs éléments à la fois, attribue un score indépendant à chaque classe avec une sigmoïde et conserve toutes les classes dépassant un seuil.

Les modèles de classification YOLO26 d’Ultralytics, identifiés par le suffixe -cls, sont des classificateurs à étiquette unique préentraînés sur ImageNet à 224×224 pixels. Le plus petit, YOLO26n-cls, atteint 71,4 % de précision top-1 avec 2,8 millions de paramètres. Ils s’entraînent sur tout jeu de données organisé avec un dossier d’images par classe :

from ultralytics import YOLO

# Load a YOLO26 classification model pretrained on the 1,000 ImageNet classes
model = YOLO("yolo26n-cls.pt")

# Classify the whole image
results = model("https://ultralytics.com/images/bus.jpg")
probs = results[0].probs

# Show the five most likely classes and their softmax probabilities
for class_id, confidence in zip(probs.top5, probs.top5conf.tolist()):
    print(f"{results[0].names[class_id]}: {confidence:.2f}")

Les cinq probabilités proviennent d’un seul softmax calculé sur les 1 000 classes ; elles indiquent donc la confiance du modèle dans son premier choix par rapport aux classes similaires.

Classification, détection et segmentation#

La classification décrit l’image entière, sans rien indiquer sur la position ni le nombre des éléments :

• Détection d’objets : trouve chaque objet, l’étiquette et le localise avec une boîte englobante, ce qui permet de compter trois voitures sur une photo.
• Segmentation d’images : étiquette les pixels et trace le contour exact de chaque objet ou région.
• Reconnaissance d’images : terme générique plus large désignant l’identification du contenu des images, souvent utilisé sans précision comme synonyme de classification.

Le choix entre ces tâches dépend du niveau de détail spatial dont une application a besoin :

Applications concrètes#

• Inspection industrielle : des caméras sur une chaîne de production photographient chaque pièce et un classifieur la déclare conforme ou non conforme, afin que les pièces défectueuses soient automatiquement rejetées.
• Triage médical : les modèles classent les radiographies thoraciques, les photos de lésions cutanées et les scans rétiniens comme normaux ou anormaux, afin que les cliniciens examinent d’abord les cas urgents.
• Agriculture : les agriculteurs photographient des feuilles avec un téléphone et un classifieur identifie la maladie ou la carence nutritive de la culture.
• Organisation de contenu : les photothèques et les places de marché étiquettent des millions d’images selon la scène et la catégorie de produit, pour permettre leur recherche et leur modération.

Benchmarks et modèles#

Les classificateurs sont comparés selon leur précision top-1, soit la proportion d’images dont la classe la plus probable est correcte, et leur précision top-5, soit la proportion d’images dont la vraie classe figure parmi les cinq plus probables. La classification moderne est issue du défi de reconnaissance visuelle à grande échelle ImageNet, dont le sous-ensemble de 1 000 classes et d’environ 1,28 million d’images d’entraînement reste le benchmark de référence. En 2012, AlexNet a réduit le taux d’erreur top-5 à 15,3 %, contre 26,2 % pour le finaliste, lançant l’ère de l’apprentissage profond en vision. ResNet a permis d’entraîner des réseaux de plus de 100 couches en 2015, et les Vision Transformers ont montré en 2020 que les modèles fondés sur l’attention égalent ou surpassent les CNN une fois préentraînés sur 14 à 300 millions d’images.