L'apprentissage actif accélère le développement de la vision par ordinateur

Former un modèle de vision par ordinateur, c'est un peu comme apprendre à un enfant à reconnaître les couleurs. Tout d'abord, tu as besoin d'une collection d'objets colorés. Ensuite, tu dois guider l'enfant pour qu'il identifie correctement chaque couleur, une tâche qui est souvent à la fois longue et répétitive.

Tout comme un enfant a besoin de nombreux exemples pour apprendre, un modèle de vision a besoin d'un grand ensemble de données étiquetées pour reconnaître des motifs et des objets dans les images. Cependant, l'étiquetage de vastes quantités de données demande beaucoup de temps et d'efforts, sans parler des ressources. Des techniques comme l'apprentissage actif peuvent aider à simplifier ce processus.

L'apprentissage actif est un processus étape par étape au cours duquel les données les plus importantes d'un grand ensemble de données sont sélectionnées et étiquetées. Le modèle apprend à partir de ces données étiquetées, ce qui le rend plus précis et plus efficace. Le fait de se concentrer uniquement sur les données les plus précieuses réduit la quantité d'étiquetage nécessaire et accélère le développement du modèle.

Dans cet article, nous allons voir comment l'apprentissage actif aide à la formation du modèle, réduit les coûts d'étiquetage et améliore la précision globale du modèle.

Les ensembles de données d'images ne sont pas faciles à construire

Les ensembles de données sont la base des modèles de vision par ordinateur et d'apprentissage profond. Les ensembles de données populaires comme ImageNet offrent des millions d'images avec diverses catégories d'objets. Cependant, la création et la maintenance de ces énormes volumes de jeux de données de haute qualité s'accompagnent de divers défis. 

Par exemple, la collecte et l'étiquetage des données nécessitent du temps, des ressources et des annotateurs qualifiés, ce qui rend le processus difficile en fonction de l'application spécifique. Des solutions innovantes et plus efficaces sont nécessaires pour répondre à la demande croissante d'ensembles de données d'images, et c'est exactement ce que l'apprentissage actif vise à résoudre. 

L'apprentissage actif offre une solution parfaite en optimisant le processus d'étiquetage des données. En sélectionnant stratégiquement les points de données les plus informatifs pour l'annotation, l'apprentissage actif maximise les performances du modèle tout en minimisant les efforts d'étiquetage. 

Qu'est-ce que l'apprentissage actif ?

L'apprentissage actif est une technique itérative d'apprentissage automatique dans laquelle le modèle choisit les points de données les plus importants à étiqueter parmi un grand ensemble de données non étiquetées. Ces points de données sélectionnés sont étiquetés manuellement et ajoutés à l'ensemble de données de formation. 

Le modèle est ensuite réentraîné sur l'ensemble de données mis à jour et sélectionne le prochain ensemble de points de données à étiqueter. Ce processus se répète, le modèle s'améliorant continuellement en se concentrant sur les points de données les plus informatifs. Le cycle se poursuit jusqu'à ce que le modèle atteigne la précision souhaitée ou réponde aux critères d'étiquetage définis à l'avance.

‍

Comprendre le fonctionnement de l'apprentissage actif

Tu te demandes peut-être comment la technique d'apprentissage actif décide quels points de données doivent être étiquetés manuellement et lesquels doivent l'être ensuite. Pour comprendre comment fonctionne l'apprentissage actif, comparons-le à l'étude d'un examen - tu te concentres sur les sujets dont tu n'es pas sûr et tu t'assures également de couvrir une variété de sujets pour être bien préparé.

Pour l'ensemble initial des processus de sélection des données, l'apprentissage actif utilise des stratégies telles que l'échantillonnage d'incertitude et l'échantillonnage basé sur la diversité. L'échantillonnage d'incertitude donne la priorité aux points de données où le modèle est le moins confiant dans ses prédictions, dans le but d'améliorer la précision dans les cas difficiles. L'échantillonnage basé sur la diversité sélectionne des points de données qui couvrent un large éventail de caractéristiques, ce qui permet de s'assurer que le modèle se généralise bien à des données inédites en l'exposant à divers exemples.

Après la sélection initiale des données, l'apprentissage actif utilise deux approches principales pour l'étiquetage : l'échantillonnage en pool et l'échantillonnage en flux, elles sont similaires à la façon dont un enseignant aide un élève à se concentrer sur ce qui est le plus important. 

Dans le cas de l'échantillonnage basé sur le bassin, le modèle analyse un grand bassin de données non étiquetées et sélectionne les exemples les plus difficiles ou les plus instructifs à étiqueter, un peu comme un étudiant qui donne la priorité aux flashcards qu'il trouve les plus difficiles. En ce qui concerne l'échantillonnage en flux, le modèle traite les données au fur et à mesure qu'elles arrivent, en décidant de les étiqueter ou de les ignorer, un peu comme un élève qui ne demande de l'aide que lorsqu'il est bloqué. Dans les deux cas, les données étiquetées sont ajoutées à l'ensemble de formation et le modèle se réapprend, s'améliorant régulièrement à chaque itération.

Explorer les applications de l'apprentissage actif

L'apprentissage actif joue un rôle clé dans les applications de vision par ordinateur, telles que l'imagerie médicale et la conduite autonome, en améliorant la précision des modèles et en rationalisant le processus d'étiquetage des données. Les modèles de vision par ordinateur utilisés dans les voitures autonomes pour détecter les piétons ou les objets dans des conditions de faible luminosité ou de brouillard en sont un exemple intéressant. L'apprentissage actif peut améliorer la précision en se concentrant sur des scénarios de conduite variés et difficiles. 

Plus précisément, l'apprentissage actif peut être utilisé pour identifier les données ou les trames incertaines de ces scénarios en vue d'un étiquetage sélectif. L'ajout de ces exemples étiquetés à l'ensemble de formation permet au modèle de mieux reconnaître les piétons et les objets dans des environnements difficiles, comme par mauvais temps ou lors de la conduite de nuit.

Par exemple, NVIDIA a utilisé l'apprentissage actif pour améliorer la détection des piétons la nuit dans ses modèles de conduite autonome. En sélectionnant stratégiquement les données les plus informatives pour l'entraînement, en particulier dans les scénarios difficiles, les performances du modèle augmentent considérablement.

‍

L'apprentissage actif peut réduire les coûts d'étiquetage

Un autre aspect clé de l'apprentissage actif est son potentiel de réduction des coûts d'étiquetage. Il y parvient en se concentrant uniquement sur les points de données les plus importants, au lieu d'exiger des annotations pour l'ensemble du jeu de données. Cette approche ciblée permet d'économiser du temps, des efforts et de l'argent. En se concentrant sur des échantillons incertains ou divers, l'apprentissage actif réduit le nombre d'annotations nécessaires tout en maintenant une grande précision du modèle.

En fait, les recherches montrent que l'apprentissage actif peut réduire les coûts d'étiquetage de 40 à 60 % sans sacrifier les performances. Cela est particulièrement utile dans des secteurs comme la santé et la fabrication, où l'étiquetage des données est coûteux. En simplifiant le processus d'annotation, l'apprentissage actif aide les entreprises à développer des modèles plus rapidement et à les déployer plus efficacement tout en maintenant la précision.

Avantages de l'apprentissage actif

Voici quelques-uns des autres avantages clés que l'apprentissage actif peut offrir :

• Résoudre le problème du déséquilibre des classes: L'apprentissage actif peut aider à résoudre les problèmes de déséquilibre des classes en étiquetant les instances des classes de données minoritaires. Le modèle peut être plus performant dans des scénarios rares avec des données limitées.
• Cycles de développement plus rapides: Étiqueter moins de données signifie indirectement accélérer le processus de développement des modèles d'apprentissage automatique et de vision par ordinateur, ce qui permet de disposer de plus de temps et de ressources pour des itérations et des expériences supplémentaires.
• Adaptabilité: Il peut améliorer continuellement les données d'entraînement en itérant sur des échantillons incertains ou des cas limites, ce qui le rend bien adapté aux ensembles de données dynamiques ou évolutifs.

L'apprentissage actif et AutoML peuvent fonctionner ensemble

L'apprentissage automatique (AutoML) se concentre sur l'automatisation des tâches chronophages et itératives liées à la construction et au déploiement de modèles d'apprentissage automatique. Il simplifie les flux de travail d'apprentissage automatique en automatisant des tâches telles que la sélection des modèles et l'évaluation des performances afin de réduire le besoin d'efforts manuels. 

Lorsqu'il est intégré à l'apprentissage actif, AutoML peut accélérer et optimiser le cycle de vie du développement du modèle. Le composant d'apprentissage actif sélectionne stratégiquement les points de données les plus informatifs pour l'étiquetage, tandis qu'AutoML affine le modèle en automatisant le choix de l'architecture, des paramètres et de la mise au point.

‍

Comprenons cette combinaison de technologies à l'aide d'un exemple. 

Disons que tu essayes de détecter des conditions rares en imagerie médicale (un cas d'utilisation où les ensembles de données étiquetées sont limités et coûteux à obtenir). L'apprentissage actif peut identifier et sélectionner les données incertaines, telles que les changements subtils dans les images radiographiques, que le modèle ne parvient pas à classer. Ensuite, les données incertaines peuvent être priorisées pour une annotation manuelle afin d'améliorer la compréhension du modèle. 

Avec les données annotées, AutoML peut optimiser le modèle en explorant diverses architectures, hyperparamètres et autres techniques d'augmentation des données. Le processus itératif accélère le développement de modèles de vision fiables tels que Ultralytics YOLO11 qui aident les professionnels de la santé à établir des diagnostics précis.

Les défis de l'apprentissage actif

L'apprentissage actif et ses techniques offrent de nombreux avantages, mais il y a quelques considérations à garder à l'esprit lors de la mise en œuvre de ces stratégies :

• Sélection de la stratégie d'interrogation: L'apprentissage actif fait appel à de nombreuses techniques, et le choix de la meilleure méthode a un impact significatif sur l'efficacité du modèle. La sélection d'une stratégie inappropriée peut réduire les performances du modèle pour une application spécifique.
• Coûts de réentraînement: La nature itérative de l'apprentissage actif nécessite des ressources informatiques coûteuses, en particulier pour les grands ensembles de données. Le modèle est réentraîné après chaque cycle d'étiquetage, ce qui augmente sa complexité.
• Qualité du modèle initial: L'efficacité de l'apprentissage actif dépend de la qualité du modèle initial. Un modèle initial peu performant peut ne pas identifier avec précision les points de données informatifs, ce qui entraîne des demandes d'étiquettes de qualité inférieure et une réduction des performances globales.

Le chemin à parcourir pour l'apprentissage actif et AutoML

Avec les récentes avancées en matière d'IA et de vision par ordinateur, l'apprentissage actif est appelé à relever des défis plus complexes et à rationaliser les flux de travail de l'apprentissage automatique. La combinaison de l'apprentissage actif avec des techniques telles que l'apprentissage fédéré et l'apprentissage auto-supervisé peut encore améliorer l'efficacité et l'évolutivité des modèles de vision. 

L'apprentissage fédéré permet de former un modèle sur plusieurs appareils ou serveurs à l'aide d'un cadre distribué, sans que les données ne doivent quitter leur emplacement d'origine. Considère des industries comme la santé, où la confidentialité des données est importante, l'apprentissage fédéré permet de se former directement sur des données locales sensibles tout en les gardant sécurisées. Au lieu de partager les données brutes, seules les mises à jour des modèles ou les aperçus sont partagés, ce qui garantit que les informations privées restent protégées tout en contribuant au processus de formation.

Parallèlement, l'apprentissage auto-supervisé permet de réduire le besoin de données étiquetées en pré-entraînant les modèles sur des données non étiquetées. Ce processus crée une base solide pour le modèle. L'apprentissage actif peut ensuite s'appuyer sur cette base en identifiant et en sélectionnant les points de données les plus importants pour l'annotation humaine, ce qui permet d'affiner encore le modèle.

De l'apprentissage actif à l'impact actif

L'apprentissage actif offre un moyen pratique de relever les principaux défis de la vision par ordinateur, comme le coût élevé de l'annotation des données et la nécessité de disposer de modèles plus précis. En se concentrant sur l'étiquetage des points de données les plus précieux, il réduit les efforts requis de la part des humains tout en augmentant les performances du modèle.

Associé à des technologies comme AutoML, l'apprentissage actif rationalise le développement de modèles en automatisant les tâches fastidieuses. À mesure que les progrès se poursuivent, l'apprentissage actif est appelé à devenir un outil essentiel pour construire des systèmes de vision par ordinateur plus intelligents et plus efficaces.

Explore notre dépôt GitHub et rejoins notre communauté pour en savoir plus sur l'IA et les modèles de vision par ordinateur. Découvre d'autres applications de la vision par ordinateur dans les domaines de la fabrication et de la santé sur nos pages de solutions. Tu peux également consulter nos options de licence pour commencer dès aujourd'hui ton voyage dans l'IA par vision.