Reconnaissance d'image

La reconnaissance d'images est un vaste domaine de la vision par ordinateur qui permet aux machines d'identifier et d'interpréter des objets, des personnes, des lieux et des actions dans des images ou des vidéos numériques. Il s'agit d'une technologie fondamentale qui alimente d'innombrables applications, du déverrouillage de votre téléphone avec votre visage à la navigation des véhicules autonomes dans des environnements complexes. À la base, la reconnaissance d'images utilise des algorithmes d'apprentissage automatique (ML) et d'apprentissage profond (DL) pour analyser les pixels et extraire des motifs significatifs, imitant la capacité humaine à comprendre les informations visuelles.

Reconnaissance d'images vs. Tâches connexes

Bien que souvent utilisé de manière interchangeable, la reconnaissance d'image est un terme général qui englobe plusieurs tâches plus spécifiques. Il est important de le distinguer de ses sous-domaines :

• Classification d'images : Il s'agit de la forme la plus simple de reconnaissance d'images. Elle consiste à attribuer une seule étiquette à une image entière à partir d'un ensemble prédéfini de catégories. Par exemple, un modèle peut classer une image comme contenant un « chat », un « chien » ou une « voiture ». La sortie est une étiquette pour l'ensemble de l'image.
• Détection d'objets: Tâche plus avancée, la détection d'objets ne se contente pas de classifier les objets dans une image, mais elle les localise également, généralement en dessinant une boîte englobante autour de chacun. Une voiture autonome, par exemple, utilise la détection d'objets pour identifier et localiser les piétons, les autres véhicules et les panneaux de signalisation.
• Segmentation d'images : Cette tâche va encore plus loin en identifiant les pixels précis appartenant à chaque objet dans une image. Elle crée un masque détaillé pour chaque objet, ce qui est essentiel pour les applications nécessitant une compréhension approfondie de la forme et des limites d'un objet, comme dans l'analyse d'images médicales.

Fonctionnement de la reconnaissance d'images

La reconnaissance d'images moderne est principalement alimentée par les réseaux neuronaux convolutifs (CNN), un type de réseau neuronal particulièrement efficace pour traiter les données de type grille telles que les images. Le processus implique généralement :

1. Collecte de données : Un vaste ensemble de données d'images étiquetées est recueilli. Les exemples célèbres incluent ImageNet et COCO.
2. Entraînement du modèle : Le CNN est entraîné sur cet ensemble de données. Pendant l'entraînement, le réseau apprend à identifier des motifs—des simples bords et textures aux parties d'objets complexes—grâce à un processus appelé extraction de caractéristiques. Les poids du modèle sont ajustés pour minimiser la différence entre ses prédictions et les étiquettes de vérité terrain.
3. Inférence : Une fois entraîné, le modèle peut faire des prédictions sur de nouvelles images jamais vues. Ce processus d'application d'un modèle entraîné est appelé inférence.

Applications concrètes

La reconnaissance d'images est devenue partie intégrante de nombreuses industries :

• Santé : Dans l'IA dans le domaine de la santé, la reconnaissance d'images aide les radiologues à détecter les tumeurs, les fractures et autres anomalies dans les radiographies, les IRM et les tomodensitométries. Par exemple, les modèles peuvent être entraînés sur des ensembles de données d'images médicales pour identifier les tumeurs cérébrales avec une grande précision, aidant ainsi les médecins à établir des diagnostics plus rapides.
• Vente au détail : Les détaillants utilisent la reconnaissance d'images pour la gestion des stocks en demandant à des caméras de surveiller les rayons afin de détecter quand les produits sont presque épuisés. Les fonctions de recherche visuelle sur les sites de commerce électronique, qui permettent aux clients de télécharger une photo pour trouver des produits similaires, sont une autre application populaire. Vous pouvez en savoir plus à ce sujet sur notre page consacrée à l'IA dans le commerce de détail.

Outils et formation

Le développement d'applications de reconnaissance d'images implique souvent l'utilisation de bibliothèques et de frameworks spécialisés. Les technologies clés comprennent :

• Frameworks : PyTorch ( site officiel) et TensorFlow ( site officiel) fournissent les outils de base pour la construction et l'entraînement de modèles d'apprentissage profond.
• Bibliothèques : OpenCV (Open Source Computer Vision Library) (site officiel) offre une vaste collection de fonctions pour les tâches de vision par ordinateur en temps réel.
• Modèles et plateformes : Ultralytics fournit des modèles Ultralytics YOLO de pointe, tels que YOLO11, qui sont pré-entraînés sur de grands ensembles de données. La plateforme Ultralytics HUB simplifie le processus de gestion des ensembles de données, d'entraînement de modèles personnalisés et d'exploration des options de déploiement de modèles. Pour voir comment différents modèles fonctionnent sur les tâches de reconnaissance, vous pouvez comparer les performances des modèles YOLO et explorer les dernières recherches sur des plateformes comme Papers With Code.