Image Recognition

La reconnaissance d’images est le terme générique désignant les logiciels qui identifient le contenu d’une image : objets, personnes, lieux, texte ou actions. Dans le langage courant, il s’agit d’un synonyme de la classification d’images, qui attribue une étiquette telle que « golden retriever » ou « pneumonie » à une image entière. En recherche, la « reconnaissance visuelle » désigne une famille plus large de tâches d’identification du contenu des images, comme dans le défi ImageNet de reconnaissance visuelle à grande échelle, organisé de 2010 à 2017 avec des épreuves de classification, de localisation et de détection d’objets.

Fonctionnement de la reconnaissance d’images#

Un modèle de reconnaissance transforme les pixels en une description compacte, puis compare cette description à ce qu’il connaît. 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, puis les regroupe en un vecteur de caractéristiques, ou embedding. La suite dépend de la façon dont l’ensemble des réponses possibles est défini :

Une tête de classification entraînée par apprentissage supervisé sur des images étiquetées, comme les 1,28 million d’images d’entraînement des 1 000 classes d’ImageNet, choisit la classe la plus probable parmi celles prédéfinies. La reconnaissance faciale et la reconnaissance de produits comparent l’embedding à une galerie d’exemples enregistrés ; il est donc possible d’ajouter de nouvelles personnes ou de nouveaux produits sans réentraînement. Les modèles zéro-shot, comme CLIP d’OpenAI, plongent les images et le texte dans le même espace et reconnaissent toute catégorie pouvant être formulée dans une invite textuelle.

Avant l’apprentissage profond, les systèmes de reconnaissance fournissaient aux classifieurs des caractéristiques conçues à la main, comme les points clés SIFT et les histogrammes de gradients orientés, ainsi que des classifieurs comme les machines à vecteurs de support. En 2012, AlexNet a ramené le taux d’erreur top-5 sur ImageNet à 15,3 %, contre 26,2 % pour le deuxième, et les caractéristiques apprises dominent depuis.

Formes de reconnaissance d’images#

• Classification d’images : une étiquette, ou plusieurs dans le cas de la classification multilabel, pour l’image entière.
• Détection d’objets : une étiquette et une boîte englobante pour chaque objet ; une photo contenant trois chiens donne donc trois résultats.
• Reconnaissance faciale : identifie ou vérifie une personne précise en comparant l’embedding de son visage à ceux des visages enregistrés.
• Reconnaissance optique de caractères (OCR) : lit le texte imprimé ou manuscrit d’une image et le convertit en caractères lisibles par une machine.
• Reconnaissance d’actions : identifie ce que font les personnes d’une vidéo en analysant ses images successives.

YOLO26 prend en charge les deux premières formes : ses modèles -cls attribuent à une image entière l’une des 1 000 classes d’ImageNet, tandis que ses modèles de détection nomment et localisent chaque objet. Cet exemple exécute les deux modèles sur la même photo :

from ultralytics import YOLO

image = "https://ultralytics.com/images/bus.jpg"

# Reconnaissance au niveau de l’image : une étiquette pour l’image entière
classifier = YOLO("yolo26n-cls.pt")
results = classifier(image)
result = results[0]
print("Image label:", result.names[result.probs.top1])

# Reconnaissance au niveau des objets : une étiquette pour chaque objet détecté
detector = YOLO("yolo26n.pt")
results = detector(image)
result = results[0]
print("Objects:", [result.names[int(c)] for c in result.boxes.cls])

Le classifieur renvoie une seule étiquette ImageNet pour toute la photo, et le détecteur renvoie une étiquette COCO pour chaque objet qu’il trouve.

Applications concrètes#

• Analyse d’images médicales : les modèles classent les radiographies thoraciques, les photos de peau et les scans rétiniens comme normaux ou anormaux, afin que les cliniciens examinent d’abord les cas urgents.
• Commerce de détail : la reconnaissance de produits associe les articles en rayon ou à la caisse à un catalogue d’images de produits, y compris ceux ajoutés après l’entraînement du modèle.
• Fabrication : les caméras de la chaîne détectent les pièces défectueuses ainsi que les composants incorrects ou manquants avant l’emballage.
• Accessibilité : les lecteurs d’écran et les applications téléphoniques décrivent les photos et lisent les panneaux à voix haute pour les personnes aveugles ou malvoyantes.

La reconnaissance au-delà des étiquettes fixes#

Les classifieurs à étiquettes fixes ne reconnaissent que les classes sur lesquelles ils ont été entraînés ; en ajouter une implique de collecter des images étiquetées et de réentraîner le modèle. Les modèles entraînés sur des paires image-texte suppriment cette limite, et les modèles vision-langage étendent cette capacité à la description de scènes et aux réponses aux questions les concernant. CLIP, entraîné sur 400 millions de paires image-texte provenant d’Internet, a égalé en zéro-shot la précision ImageNet du ResNet-50 d’origine, sans utiliser aucune des 1,28 million d’images étiquetées qui ont servi à entraîner ResNet-50.