Apprentissage profond (AP)

Comment fonctionne l'apprentissage profond

Les composants essentiels du Deep Learning sont les réseaux neuronaux profonds, qui se composent d'une couche d'entrée, de plusieurs couches cachées et d'une couche de sortie. Chaque couche contient des nœuds interconnectés ou "neurones" qui traitent les informations. Contrairement aux réseaux moins profonds, la profondeur de ces modèles leur permet d'apprendre des caractéristiques de façon hiérarchique. Par exemple, dans la reconnaissance d'images, les couches initiales peuvent détecter de simples bords, les couches suivantes les combinent en formes, et les couches plus profondes reconnaissent les objets complexes. Ce processus d'extraction automatique des caractéristiques élimine la nécessité d'une ingénierie manuelle des caractéristiques, ce qui constitue un avantage significatif par rapport à de nombreuses approches traditionnelles de ML. Pour former ces réseaux, il faut généralement les alimenter avec de grandes quantités de données étiquetées(apprentissage supervisé) et utiliser des algorithmes tels que la rétropropagation et la descente de gradient pour ajuster les poids du modèle et minimiser les erreurs(fonction de perte). Ce processus intensif en termes de calcul s'appuie fortement sur du matériel puissant, en particulier les GPU, pour une formation efficace des modèles.

Importance dans l'IA et la vision par ordinateur

L'apprentissage profond est un moteur majeur de progrès dans l'IA, notamment au sein de la vision par ordinateur (VA). Sa capacité à apprendre des représentations significatives à partir de vastes ensembles de données, tels que l'ensemble de données COCO ou ImageNet, a permis des percées dans des domaines auparavant considérés comme difficiles pour les machines. Des modèles comme Ultralytics YOLO exploitent la DL pour une détection d'objets, une segmentation d'images et une classification d'images très performantes. Des techniques telles que l'apprentissage par transfert permettent de tirer parti de modèles pré-entraînés (modèles déjà entraînés sur de grands ensembles de données) pour accélérer le développement de nouvelles tâches connexes, même avec moins de données. Ce domaine doit beaucoup à des pionniers comme Geoffrey Hinton, Yann LeCun et Yoshua Bengio, souvent appelés les "parrains de l'IA". Des organisations comme DeepLearning.AI et l'Association for the Advancement of Artificial Intelligence (AAAI) continuent de faire progresser la recherche et l'éducation dans ce domaine qui évolue rapidement.

Distinguer les termes apparentés

• Apprentissage machine (ML): Le DL est un sous-ensemble du ML. Si tous les DL sont des ML, tous les ML ne sont pas des DL. Le ML englobe une gamme plus large d'algorithmes, y compris des méthodes de réseaux non neuronaux comme les machines à vecteurs de support (SVM), les arbres de décision et la régression linéaire, qui nécessitent souvent une ingénierie manuelle des caractéristiques. La DL excelle dans les tâches impliquant des données non structurées et l'apprentissage automatique des caractéristiques grâce à des architectures profondes.
• Intelligence artificielle (IA): L'IA est le domaine global axé sur la création de systèmes qui présentent un comportement intelligent. La ML est une approche qui permet de réaliser l'IA en permettant aux systèmes d'apprendre à partir des données. La DL est un ensemble spécifique de techniques au sein de la ML qui utilise des réseaux neuronaux profonds. Il s'agit de concepts imbriqués : IA > ML > DL.

Applications dans le monde réel

L'apprentissage profond alimente de nombreuses applications modernes de l'IA :

• Véhicules autonomes: Les modèles DL traitent les données des capteurs (caméras, LiDAR) pour la détection d'objets en temps réel, le maintien de la voie et la navigation, ce qui permet les capacités de conduite autonome observées dans les systèmes développés par des entreprises comme Waymo. En savoir plus sur l'IA dans les voitures autonomes.
• Analyse d'images médicales: Les algorithmes de DL analysent les scans médicaux (comme les IRM ou les tomodensitogrammes) pour aider les radiologues à identifier les tumeurs, à détecter les maladies à un stade précoce et à segmenter les organes. Des initiatives telles que le programme Bridge2AI des NIH visent à tirer parti de l'IA pour les avancées biomédicales. Explore lessolutions d' Ultralytics en matière d'IA dans le domaine de la santé.
• Traitement du langage naturel (NLP): Des tâches telles que la traduction automatique, l'analyse des sentiments et l'alimentation de chatbots avancés comme ChatGPT d'OpenAI s'appuient fortement sur des modèles DL, en particulier les Transformers.
• Systèmes de recommandation: Des plateformes comme Netflix utilisent le DL pour analyser le comportement et les préférences des utilisateurs afin de leur suggérer des contenus pertinents.
• Reconnaissance vocale: Les assistants virtuels et les logiciels de dictée utilisent la DL pour convertir le langage parlé en texte.

Outils et cadres de travail

Le développement de modèles de DL est facilité par diverses bibliothèques et plateformes logicielles. Les cadres de travail populaires à code source ouvert comprennent :

• PyTorch: Connu pour sa flexibilité et son approche PythonPyTorch page d'accueil dePyTorch ). Les modèles Ultralytics sont construits à l'aide de PyTorch,
• TensorFlow: développé par Google, offrant un écosystème completTensorFlow page d'accueil deTensorFlow ).
• Keras: Une API de haut niveau qui peut fonctionner au-dessus de TensorFlow, connue pour sa convivialité(page d'accueil de Keras).

Des plateformes comme Ultralytics HUB fournissent des environnements intégrés pour la formation de modèles personnalisés, le déploiement et la gestion de modèles DL, en particulier pour les tâches de vision par ordinateur utilisant des modèles tels que... YOLO11. Un développement efficace implique souvent des pratiques telles que le réglage rigoureux des hyperparamètres, la compréhension des mesures de performance et l'utilisation de l'accélérationGPU pour un entraînement efficace des modèles.