Découvrez les principes fondamentaux de la régression linéaire et son rôle dans l'IA. Découvrez comment Ultralytics utilise la régression pour une détection précise des objets et des coordonnées des cadres de sélection.
La régression linéaire est une méthode statistique fondamentale et un algorithme de base dans l' apprentissage supervisé utilisé pour modéliser la relation entre une variable dépendante (cible) et une ou plusieurs variables indépendantes (caractéristiques). Contrairement aux algorithmes de classification qui prédisent des catégories discrètes, la régression linéaire prédit un résultat continu, ce qui la rend indispensable pour les tâches dont l'objectif est de prévoir des valeurs numériques spécifiques. Sa simplicité et son interprétabilité permettent de mieux comprendre les concepts plus complexes du machine learning (ML), car elle présente les mécanismes fondamentaux qui permettent aux modèles d'apprendre à partir des données en minimisant les erreurs.
L'objectif principal de cette technique est de trouver la « ligne de meilleur ajustement » — ou un hyperplan dans des dimensions supérieures — qui décrit le mieux le modèle de données. Pour ce faire, l'algorithme calcule une somme pondérée des caractéristiques d'entrée plus un terme de biais. Au cours du processus d'apprentissage, le modèle ajuste de manière itérative ces paramètres internes, appelés poids weights and biases, afin de réduire l'écart entre ses prédictions et la vérité terrain réelle.
Cette divergence est quantifiée à l'aide d'une fonction de perte, le choix le plus courant étant l' erreur quadratique moyenne (MSE). Pour minimiser efficacement la perte, un algorithme d'optimisation tel que la descente de gradient est utilisé pour mettre à jour les poids. Si le modèle s'aligne trop étroitement sur le bruit dans les données d'entraînement, il risque le surajustement, tandis qu'un modèle trop simple pour capturer la tendance sous-jacente souffre d'un sous-ajustement.
Bien que souvent associés à la simple modélisation prédictive dans l' analyse des données, les principes de régression linéaire sont profondément ancrés dans les architectures avancées de deep learning (DL).
Il est important de distinguer ce terme de la régression logistique. Bien que les deux soient des modèles linéaires, leurs résultats diffèrent considérablement. La régression linéaire prédit une valeur numérique continue (par exemple, le prix d'une voiture). En revanche, la régression logistique est utilisée pour les tâches de classification, prédisant la probabilité qu'une entrée appartienne à une catégorie spécifique (par exemple, si un e-mail est un « spam » ou « n'est pas un spam ») en faisant passer le résultat linéaire par une fonction d'activation telle que la fonction sigmoïde.
Dans le contexte de la vision par ordinateur, lorsqu'un modèle tel que YOLO26 détecte un objet, les coordonnées du cadre de sélection sont le résultat d'une tâche de régression. Le modèle prédit des valeurs continues pour localiser l'objet avec précision.
from ultralytics import YOLO
# Load the YOLO26 model (nano version)
model = YOLO("yolo26n.pt")
# Run inference on an image
# The model uses regression to determine the exact box placement
results = model("https://ultralytics.com/images/bus.jpg")
# Display the continuous regression outputs (x, y, width, height)
for box in results[0].boxes:
print(f"Box Regression Output (xywh): {box.xywh.numpy()}")
Les utilisateurs qui souhaitent former des modèles personnalisés exploitant ces capacités de régression pour des ensembles de données spécialisés peuvent utiliser la Ultralytics pour une annotation rationalisée et une formation dans le cloud. La compréhension de ces principes de base de la régression fournit une base solide pour maîtriser des tâches complexes dans le domaine de l' intelligence artificielle (IA) et de la vision par ordinateur.
.webp)
