Normalization

La normalisation est une technique fondamentale du prétraitement des données qui consiste à remettre à l'échelle les attributs numériques dans une plage standard. Dans le contexte de l'apprentissage automatique (ML), les jeux de données contiennent souvent des caractéristiques présentant des échelles variables, comme les tranches d'âge (0–100) et les niveaux de revenus (0–100 000). Si elles ne sont pas traitées, ces disparités peuvent amener l'algorithme d'optimisation à privilégier les valeurs élevées, ce qui entraîne une convergence plus lente et des performances sous-optimales. En normalisant les données, les ingénieurs s'assurent que chaque caractéristique contribue proportionnellement au résultat final, ce qui permet aux réseaux neuronaux d'apprendre plus efficacement.

Techniques courantes de normalisation#

Il existe plusieurs méthodes standard pour transformer les données, chacune étant adaptée à différentes distributions et exigences algorithmiques.

• Mise à l'échelle min-max : Il s'agit de la forme la plus intuitive de normalisation. Elle remet les données à l'échelle dans une plage fixe, généralement [0, 1]. Cette transformation s'effectue en soustrayant la valeur minimale, puis en divisant le résultat par l'étendue (maximum moins minimum). Elle est largement utilisée en traitement d'image, où l'on sait que l'intensité des pixels est comprise entre 0 et 255.
• Standardisation par score Z : Bien qu'elle soit souvent utilisée comme synonyme de la normalisation, la standardisation transforme spécifiquement les données afin qu'elles présentent une moyenne de 0 et un écart type de 1. Elle est particulièrement utile lorsque les données suivent une distribution gaussienne et est essentielle pour des algorithmes tels que les machines à vecteurs de support (SVM), qui supposent que les données suivent une distribution normale.
• Mise à l'échelle logarithmique : Pour les données contenant des valeurs aberrantes extrêmes ou suivant une loi de puissance, l'application d'une transformation logarithmique peut comprimer l'étendue des valeurs. La distribution devient ainsi plus facile à interpréter efficacement pour le moteur d'inférence, sans être faussée par d'importants pics de valeurs.

Applications concrètes#

La normalisation est une étape standard des pipelines de systèmes d'IA haute performance dans divers secteurs.

1. Vision par ordinateur (CV) : Dans des tâches telles que la détection d'objets et la classification d'images, les images numériques sont composées de valeurs de pixels comprises entre 0 et 255. Fournir directement ces grands entiers à un réseau peut ralentir la descente de gradient. Une étape standard de prétraitement consiste à diviser les valeurs des pixels par 255.0 afin de les normaliser dans la plage [0, 1]. Cette pratique garantit des entrées cohérentes pour des modèles avancés tels que YOLO26, améliorant la stabilité de l'entraînement sur la plateforme Ultralytics.

2. Analyse d'images médicales : Les examens médicaux, comme ceux utilisés dans l'IA en santé, proviennent souvent de machines différentes présentant des échelles d'intensité variables. La normalisation garantit que les intensités des pixels d'une IRM ou d'une TDM sont comparables d'un patient et d'un équipement à l'autre. Cette cohérence est essentielle pour une détection précise des tumeurs, car elle permet au modèle de se concentrer sur les anomalies structurelles plutôt que sur les variations de luminosité.

Distinction entre concepts connexes#

Il est important de distinguer la normalisation des termes similaires liés au prétraitement et à l'architecture, utilisés en apprentissage profond.

• vs. Normalisation par lots : La normalisation des données est une étape de prétraitement appliquée au jeu de données d'entrée brut avant son entrée dans le réseau. À l'inverse, la normalisation par lots opère en interne entre les couches, tout au long du réseau, pendant l'entraînement du modèle. Elle normalise la sortie d'une couche d'activation précédente afin de stabiliser le processus d'apprentissage.
• vs. Augmentation d'image : Alors que la normalisation modifie l'échelle des valeurs des pixels, l'augmentation modifie le contenu ou la géométrie de l'image (par exemple, en la retournant, en la faisant pivoter ou en changeant ses couleurs) afin d'accroître la diversité du jeu de données. Des outils tels qu'Albumentations sont utilisés pour l'augmentation, tandis que la normalisation est une opération mathématique de mise à l'échelle.

Exemple d’implémentation#

En vision par ordinateur, la normalisation est souvent la première étape du pipeline. L'exemple Python suivant montre comment normaliser manuellement des données d'image à l'aide de la bibliothèque NumPy, un processus qui se produit automatiquement dans le chargeur de données de Ultralytics YOLO26 pendant l'entraînement.

import numpy as np

# Simulate a 2x2 pixel image with values ranging from 0 to 255
raw_image = np.array([[0, 255], [127, 64]], dtype=np.float32)

# Apply Min-Max normalization to scale values to [0, 1]
# This standardizes the input for the neural network
normalized_image = raw_image / 255.0

print(f"Original Range: {raw_image.min()} - {raw_image.max()}")
print(f"Normalized Range: {normalized_image.min()} - {normalized_image.max()}")