Image Classification

La classification d’images est une tâche fondamentale de la vision par ordinateur (CV), dans laquelle un modèle de machine learning analyse une image entière et lui attribue une seule étiquette parmi un ensemble prédéfini de catégories. En substance, elle répond à la question suivante : « Quel est le sujet principal de cette image ? » En tant que composant essentiel de l’intelligence artificielle (AI), ce processus permet aux systèmes automatisés d’organiser, de catégoriser et d’interpréter des données visuelles à grande échelle. Même si cela peut sembler simple à l’œil humain, permettre aux ordinateurs de reconnaître des motifs nécessite des algorithmes sophistiqués de machine learning (ML) pour combler l’écart entre les pixels bruts et les concepts porteurs de sens.

Le mécanisme de la classification#

La classification moderne des images repose largement sur des architectures de deep learning (DL) appelées réseaux neuronaux convolutifs (CNNs). Ces réseaux sont conçus pour reproduire la manière dont le cortex visuel biologique traite les informations. Grâce à un processus appelé extraction de caractéristiques, le modèle apprend à identifier des attributs de bas niveau, comme les contours et les textures, dans les premières couches, puis à les combiner pour reconnaître des formes et des objets complexes dans les couches profondes.

Pour créer un classificateur, les développeurs utilisent l’apprentissage supervisé en fournissant au modèle de grandes quantités de données d’entraînement contenant des exemples annotés. De grands jeux de données publics comme ImageNet ont joué un rôle essentiel dans l’amélioration de la précision de ces systèmes. Pendant la phase d’inférence, le modèle produit un score de probabilité pour chaque catégorie et utilise souvent une fonction softmax pour déterminer la classe la plus probable.

Classification et autres tâches de vision#

Il est important de distinguer la classification d’images des capacités connexes de la vision par ordinateur, car le choix de la technique dépend du problème spécifique :

• Classification et détection d’objets : la classification attribue une étiquette à l’image entière. En revanche, la détection d’objets identifie l’emplacement de plusieurs objets dans une scène en traçant une boîte englobante autour de chacun d’eux.
• Classification et segmentation d’images : tandis que la classification examine le contexte global, la segmentation offre une précision au niveau des pixels. La segmentation sémantique classe chaque pixel individuellement, ce qui permet de délimiter précisément les contours entre les objets et l’arrière-plan.

Applications concrètes#

La classification d’images alimente un large éventail d’applications d’AI dans le monde réel dans divers secteurs :

Diagnostic médical#

Dans le domaine médical, les modèles de classification aident les radiologues en analysant des examens diagnostiques. Les outils d’analyse d’images médicales peuvent rapidement catégoriser des radiographies ou des IRM comme « normales » ou « anormales », ou identifier des pathologies spécifiques comme la détection de tumeurs, ce qui permet d’accélérer le triage et le diagnostic des patients.

Contrôle qualité dans la fabrication#

Les usines utilisent l’inspection visuelle automatisée pour maintenir les standards de production. Des caméras installées sur les chaînes d’assemblage capturent des images des composants, et les modèles de classification les étiquettent instantanément comme « conformes » ou « non conformes » en fonction des défauts visibles. Ce contrôle qualité automatisé garantit que seuls les articles sans défaut atteignent l’étape de conditionnement.

Agriculture intelligente#

Les agriculteurs s’appuient sur l’AI dans l’agriculture pour surveiller la santé des cultures. En classifiant des images prises par des drones ou des smartphones, les systèmes peuvent identifier des signes de maladie, de carence en nutriments ou d’infestation parasitaire, ce qui permet de mettre en œuvre des interventions ciblées d’agriculture de précision.

Implémenter la classification avec Ultralytics YOLO26#

Le framework Ultralytics YOLO26, bien que célèbre pour la détection, offre des performances de pointe pour les tâches de classification d’images. Son architecture est optimisée pour la vitesse et la précision, ce qui la rend adaptée aux applications en temps réel.

Voici un exemple concis montrant comment charger un modèle préentraîné et classifier une image à l’aide du package Python ultralytics :

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image source
results = model("https://ultralytics.com/images/bus.jpg")

# Print the top predicted class name
print(f"Prediction: {results[0].names[results[0].probs.top1]}")

Pour les équipes qui souhaitent rationaliser leur workflow, l’Ultralytics Platform simplifie l’ensemble du pipeline. Elle permet aux utilisateurs de gérer des jeux de données de classification, d’effectuer un entraînement dans le cloud et de déployer des modèles dans différents formats comme ONNX ou TensorRT, sans nécessiter une infrastructure de codage complexe.