Normalization

La normalisation est une technique fondamentale dans le prétraitement des données qui consiste à remettre à l'échelle des attributs numériques dans une plage standard. Dans le contexte de l'apprentissage automatique (ML), les jeux de données contiennent souvent des caractéristiques aux échelles variées, comme des tranches d'âge (0–100) par rapport à des niveaux de revenus (0–100 000). Si rien n'est fait, ces disparités peuvent biaiser l'algorithme d'optimisation en faveur des valeurs plus 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, permettant aux réseaux neuronaux d'apprendre plus efficacement.

Link to this sectionTechniques courantes de normalisation#

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

• Mise à l'échelle Min-Max : Il s'agit de la forme la plus intuitive de normalisation. Elle remet à l'échelle les données dans une plage fixe, généralement [0, 1]. Cette transformation est effectuée en soustrayant la valeur minimale et en divisant par l'étendue (maximum moins minimum). Elle est largement utilisée en traitement d'image où l'on sait que les intensités des pixels sont comprises entre 0 et 255.
• Standardisation Z-Score : Bien qu'elle soit souvent utilisée de manière interchangeable avec la normalisation, la standardisation transforme spécifiquement les données pour avoir une moyenne de 0 et un écart-type de 1. C'est particulièrement utile lorsque les données suivent une distribution gaussienne et est essentiel pour des algorithmes comme les machines à vecteurs de support (SVM) qui supposent des données normalement distribuées.
• Échelle logarithmique : Pour les données contenant des valeurs aberrantes extrêmes ou suivant une loi de puissance, l'application d'une transformation logarithmique peut compresser la plage des valeurs. Cela rend la distribution plus facile à interpréter efficacement pour le moteur d'inférence sans être faussée par des pics de valeurs massifs.

Link to this sectionApplications concrètes#

La normalisation est une étape standard dans les pipelines des systèmes d'IA haute performance dans diverses industries.

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 allant de 0 à 255. Envoyer ces grands entiers directement dans un réseau peut ralentir la descente de gradient. Une étape de prétraitement standard consiste à diviser les valeurs des pixels par 255,0 pour les normaliser dans la plage [0, 1]. Cette pratique garantit des entrées cohérentes pour des modèles avancés comme YOLO26, améliorant ainsi la stabilité de l'entraînement sur la plateforme Ultralytics.

2. Analyse d'images médicales : Les examens médicaux, tels que ceux utilisés dans l'IA dans le secteur de la santé, proviennent souvent de différentes machines avec des échelles d'intensité variables. La normalisation garantit que les intensités des pixels d'une IRM ou d'un scanner sont comparables entre différents patients et équipements. Cette cohérence est cruciale pour une détection de tumeur précise, permettant au modèle de se concentrer sur les anomalies structurelles plutôt que sur les variations de luminosité.

Link to this sectionDistinguer les concepts apparentés#

Il est important de différencier la normalisation des termes de prétraitement et d'architecture similaires rencontrés dans l'apprentissage profond.

• vs. Normalisation par lots : La normalisation des données est une étape de prétraitement appliquée au jeu de données d'entrée brut avant qu'il n'entre dans le réseau. À l'inverse, la Normalisation par lots (Batch Normalization) fonctionne 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 pour stabiliser le processus d'apprentissage.
• vs. Augmentation d'image : Alors que la normalisation modifie l'échelle des valeurs de pixels, l'augmentation modifie le contenu ou la géométrie de l'image (par exemple, retourner, faire pivoter ou modifier les couleurs) pour accroître la diversité du jeu de données. Des outils comme Albumentations sont utilisés pour l'augmentation, tandis que la normalisation est une opération mathématique de mise à l'échelle.

Link to this sectionExemple d'implémentation#

En vision par ordinateur, la normalisation est souvent la première étape du pipeline. L'exemple Python suivant démontre comment normaliser manuellement les données d'image en utilisant la bibliothèque NumPy, un processus qui se produit automatiquement dans le chargeur de données d'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()}")