Online Learning
Découvre comment l’apprentissage en ligne permet les mises à jour incrémentielles des modèles, s’adapte à la dérive des concepts et favorise des workflows de vision par ordinateur plus sûrs avec Ultralytics YOLO26.
L'apprentissage en ligne est une approche d'apprentissage automatique dans laquelle un modèle se met à jour progressivement à mesure que de nouveaux exemples arrivent, plutôt que d'être entraîné une seule fois sur un jeu de données fixe. Le terme désigne les mises à jour de modèles en flux continu ou séquentielles, et non l'enseignement en ligne sur Internet. Un apprenant en ligne peut effectuer des prédictions, recevoir des retours et se mettre à jour après chaque échantillon ou petit lot, comme le décrit la définition de l'apprentissage en ligne de scikit-learn. Cette approche est donc utile lorsque les données sont continues, trop volumineuses pour tenir en mémoire ou évoluent au fil du temps. (scikit-learn.org)
Fonctionnement de l'apprentissage en ligne#
Un cycle typique se déroule comme suit :
- Le modèle reçoit une nouvelle entrée et effectue une prédiction.
- Une étiquette ou un signal de retour devient disponible.
- La perte est calculée et les paramètres du modèle sont mis à jour.
- Les performances sont mesurées avant le traitement de l'exemple suivant.
Des bibliothèques telles que River pour l'apprentissage automatique en flux continu mettent en œuvre ce flux de travail prédire-puis-apprendre avec des méthodes telles que predict_one() et learn_one(). Les réseaux neuronaux peuvent appliquer le même principe au moyen de étapes d'optimisation PyTorch répétées, bien que les modèles profonds se mettent généralement à jour sur de petits lots pour une meilleure efficacité de calcul. (docs.pytorch.org)
L'apprentissage en ligne est particulièrement utile en présence d'une dérive des concepts, lorsque la relation entre les entrées et les sorties évolue. Parmi les exemples figurent les tendances saisonnières du trafic, l'évolution du comportement des clients, l'apparition de nouveaux défauts de fabrication ou l'installation de caméras dans des conditions d'éclairage différentes. Une étude de la dérive récurrente des concepts publiée en 2024 souligne que les conditions récurrentes, comme la météo et l'heure de la journée, exigent des systèmes qu'ils reconnaissent et adaptent les distributions déjà rencontrées. (ijcai.org)
Apprentissage en ligne en vision par ordinateur#
Ultralytics YOLO n'effectue pas de mises à jour incontrôlées des poids à chaque image pendant l'inférence. Les équipes peuvent plutôt simuler un apprentissage en ligne sûr grâce à un réglage fin périodique par micro-lots sur des données récentes étiquetées, mélangées à des exemples plus anciens :
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=3, imgsz=640, lr0=0.001)Cet exemple exécutable utilise Ultralytics YOLO26 et le mode d'entraînement YOLO documenté pour effectuer une petite mise à jour avec un faible taux d'apprentissage. En production, coco8.yaml serait remplacé par un jeu de données versionné contenant des échantillons récents et rejoués.
Les applications concrètes comprennent :
- Inspection visuelle dans l'industrie manufacturière : Les modèles sont mis à jour lorsque de nouveaux produits, matériaux ou types de défauts apparaissent.
- Perception des véhicules autonomes : Les systèmes de détection s'adaptent à l'évolution des routes, de la météo, des conditions des caméras et des distributions d'objets.
- Gestion des stocks dans le commerce de détail : Les modèles apprennent à reconnaître de nouveaux emballages et produits saisonniers sans nécessiter un réentraînement complet.
Concepts associés et principales différences#
L'apprentissage continu est plus large : il vise à apprendre sur plusieurs tâches ou domaines tout en conservant les connaissances antérieures. L'apprentissage en ligne décrit à quel moment et à quelle fréquence les mises à jour ont lieu. L'apprentissage actif sélectionne plutôt les exemples les plus informatifs pour leur étiquetage humain, tandis que l'apprentissage par transfert adapte des connaissances préentraînées à une tâche cible.
L'oubli catastrophique constitue un défi majeur commun. Les recherches récentes comprennent l'adaptation continue au moment du test BECoTTA publiée en 2024, la minimisation de l'entropie classée publiée en 2025 et la méthode stabilité-plasticité PLASTIC publiée en 2026, qui étudient une adaptation efficace sans effondrement du modèle ni perte des capacités antérieures. (proceedings.mlr.press)
Bonnes pratiques actuelles#
- Surveille la dérive des données : Suis les distributions d'entrée, la confiance, la précision et la fréquence des classes.
- Conserve les données de rejeu : Mélange des échantillons historiques représentatifs aux nouvelles données pour réduire l'oubli.
- Valide avant le déploiement : Compare les modèles mis à jour à des jeux de test de validation stables et constitués de données récentes.
- Versionne l'ensemble du flux de travail : Utilise Ultralytics Platform pour gérer l'annotation, les jeux de données, l'entraînement, le déploiement et la supervision.
- Détecte la dérive non étiquetée : Lorsque les étiquettes arrivent tardivement, surveille les distributions des caractéristiques et le comportement des prédictions plutôt que d'attendre les mesures de précision. (dfki.de)
