Training Data

Les données d'entraînement sont le jeu de données initial utilisé pour apprendre à un modèle de machine learning à reconnaître des motifs, effectuer des prédictions ou réaliser des tâches spécifiques. Elles servent de manuel fondamental pour les systèmes d'intelligence artificielle, fournissant la vérité terrain que l'algorithme analyse pour ajuster ses paramètres internes. Dans le contexte de l'apprentissage supervisé, les données d'entraînement se composent d'échantillons d'entrée associés à des étiquettes de sortie correspondantes, permettant au modèle d'apprendre la relation entre les deux. La qualité, la quantité et la diversité de ces données influencent directement la précision finale du modèle et sa capacité à généraliser à de nouvelles informations inédites.

Link to this sectionLe rôle des données d'entraînement dans l'IA#

La fonction principale des données d'entraînement est de minimiser l'erreur entre les prédictions du modèle et les résultats réels. Pendant le processus d'entraînement du modèle, l'algorithme traite les données de manière itérative, identifiant des caractéristiques — telles que les contours dans une image ou des mots-clés dans une phrase — qui correspondent à des étiquettes spécifiques. Ce processus est distinct des données de validation, utilisées pour ajuster les hyperparamètres pendant l'entraînement, et des données de test, réservées à l'évaluation finale des performances du modèle.

Des données d'entraînement de haute qualité doivent être représentatives des scénarios réels que le modèle rencontrera. Si le jeu de données contient des biais ou manque de diversité, le modèle peut souffrir de surapprentissage, où il mémorise les exemples d'entraînement mais ne parvient pas à bien fonctionner avec de nouvelles entrées. À l'inverse, le sous-apprentissage se produit lorsque les données sont trop simples ou insuffisantes pour que le modèle puisse capturer les motifs sous-jacents.

Link to this sectionApplications concrètes#

Les données d'entraînement alimentent les innovations dans pratiquement tous les secteurs en permettant aux systèmes d'apprendre à partir d'exemples historiques.

• IA dans la santé : En diagnostic médical, les données d'entraînement peuvent consister en des milliers d'images de rayons X étiquetées comme « saines » ou contenant des pathologies spécifiques comme une pneumonie. En traitant ces exemples étiquetés, des modèles comme Ultralytics YOLO26 peuvent apprendre à assister les radiologues en mettant en évidence des anomalies potentielles avec une grande précision, accélérant ainsi considérablement les temps de diagnostic.
• Véhicules autonomes : Les voitures autonomes reposent sur des jeux de données massifs contenant des millions de kilomètres d'images de conduite. Ces données d'entraînement incluent des cadres annotés montrant des piétons, des panneaux de signalisation, d'autres véhicules et des marquages au sol. Provenant de bibliothèques complètes comme le Waymo Open Dataset ou nuScenes, ces informations enseignent au système de perception du véhicule à naviguer en toute sécurité dans des environnements complexes.

Link to this sectionCollecte et gestion des données#

L'acquisition de données d'entraînement robustes est souvent la partie la plus difficile d'un projet de machine learning. Les données peuvent provenir de dépôts publics tels que Google Dataset Search ou de collections spécialisées comme COCO pour la détection d'objets. Cependant, les données brutes nécessitent souvent un nettoyage des données et une annotation minutieux pour garantir leur précision.

Des outils comme la Ultralytics Platform ont rationalisé ce flux de travail, offrant un environnement intégré pour télécharger, étiqueter et gérer les jeux de données. Une gestion efficace implique également l'augmentation de données, une technique utilisée pour augmenter artificiellement la taille du jeu d'entraînement en appliquant des transformations — comme le retournement, la rotation ou l'ajustement des couleurs — aux images existantes. Cela aide les modèles à devenir plus robustes face aux variations des données d'entrée.

Link to this sectionExemple pratique avec YOLO26#

L'exemple Python suivant démontre comment initier l'entraînement en utilisant la bibliothèque ultralytics. Ici, un modèle YOLO26 pré-entraîné est ajusté sur le COCO8 dataset, un petit jeu de données conçu pour vérifier les pipelines d'entraînement.

from ultralytics import YOLO

# Load a pre-trained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 5 epochs
# The 'data' argument specifies the dataset configuration file
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

Link to this sectionImportance de la qualité des données#

L'adage « garbage in, garbage out » est fondamental en machine learning. Même les architectures les plus sophistiquées, telles que les Transformers ou les réseaux de neurones convolutifs (CNN) profonds, ne peuvent compenser des données d'entraînement de mauvaise qualité. Des problèmes comme le bruit d'étiquetage, où les étiquettes de vérité terrain sont incorrectes, peuvent gravement dégrader les performances. Par conséquent, des processus rigoureux d'assurance qualité, impliquant souvent une vérification human-in-the-loop, sont essentiels pour maintenir l'intégrité du jeu de données.

De plus, respecter les principes de l'éthique de l'IA exige que les données d'entraînement soient examinées pour détecter tout biais démographique ou socio-économique. Garantir l'équité dans l'IA commence par un jeu de données d'entraînement équilibré et représentatif, ce qui aide à prévenir les résultats discriminatoires dans les applications déployées.