Époque

Une époque représente un cycle complet à travers l'ensemble des données d'entraînement par un algorithme d'apprentissage automatique. Au cours de ce processus, le modèle a la possibilité de mettre à jour ses paramètres internes en fonction de chaque échantillon des données une seule fois. Dans le contexte de l'apprentissage profond, un seul passage est rarement suffisant pour qu'un réseau neuronal apprenne efficacement des modèles complexes . Par conséquent, l'entraînement implique généralement plusieurs époques, ce qui permet à l'algorithme d'apprentissage d'affiner de manière itérative sa compréhension et de minimiser l'erreur entre ses prédictions et la vérité terrain réelle.

Le rôle des époques dans l'optimisation

L'objectif principal de l'entraînement est d'ajuster les pondérations du modèle afin de minimiser une fonction de perte spécifique . Les algorithmes d'optimisation, tels que la descente stochastique du gradient (SGD) ou Adam , utilisent l'erreur calculée au cours de chaque époque pour guider ces ajustements. À mesure que le nombre d'époches augmente, le modèle passe généralement d'un état d'erreur élevée (supposition aléatoire) à un état d'erreur plus faible (modèles appris).

Cependant, la sélection du nombre correct d'époques est un aspect critique de l' ajustement des hyperparamètres.

• Trop peu d'époques : cela peut conduire à un sous-ajustement, où le modèle n'a pas encore capturé la tendance sous-jacente des données.
• Trop d'époques : cela entraîne souvent un surajustement, où le modèle mémorise le bruit de l'entraînement plutôt que de généraliser à de nouvelles données. Pour éviter cela, les développeurs surveillent souvent les performances sur les données de validation et utilisent des techniques telles que l' arrêt précoce pour interrompre l'entraînement lorsque la généralisation cesse de s'améliorer.

Époque, lot et itération

Il est courant que les débutants confondent « époque » avec des termes connexes. Comprendre la hiérarchie de ces concepts est essentiel pour configurer correctement les boucles d'entraînement:

• Époque : un passage complet à travers l'ensemble des données.
• Lot : sous-ensemble de l'ensemble de données traité simultanément. Les ensembles de données étant souvent trop volumineux pour tenir en une seule fois dans GPU , ils sont divisés en groupes plus petits définis par la taille du lot.
• Itération : mise à jour unique des poids du modèle. Si un ensemble de données contient 1 000 images et que la taille du lot est de 100, il faudra 10 itérations pour terminer une époque.

Applications concrètes

Le nombre d'époques nécessaires varie considérablement en fonction de la complexité de la tâche et de la taille des données.

• Analyse d'images médicales : dans le domaine de l' analyse d'images médicales, comme la détection de tumeurs dans les IRM, la précision est primordiale. Les modèles entraînés pour ces tâches fonctionnent souvent pendant des centaines d'époques. Cet entraînement intensif garantit que le réseau neuronal convolutif (CNN) peut discerner les anomalies subtiles qui distinguent les tissus malins des tissus sains, ce qui peut sauver des vies.
• Conduite autonome : pour les véhicules autonomes, les modèles de détection d'objets doivent identifier de manière fiable les piétons, les panneaux de signalisation et les autres véhicules. La formation de ces systèmes robustes implique généralement des ensembles de données massifs tels que COCO ou Objects365. Bien que la taille de l'ensemble de données soit énorme, le modèle nécessite encore plusieurs époques pour converger vers une solution qui se généralise bien à diverses conditions météorologiques et d'éclairage.

Gestion des cycles de formation avec du code

Lorsque vous utilisez des frameworks modernes tels que Ultralytics YOLO, la définition du nombre d'époques est un argument simple dans la commande d'entraînement. Des outils tels que la Ultralytics peuvent aider à visualiser les courbes de perte au cours de chaque époque afin d'identifier le point d'arrêt optimal.

L'exemple suivant montre comment définir le nombre d'époches lors de l'entraînement d'un modèle YOLO26:

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Train the model for 50 epochs
# The 'epochs' argument determines how many times the model sees the entire dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

Dans cet extrait, l'élément epochs=50 L'argument indique au moteur d'apprentissage de parcourir le coco8.yaml ensemble de données 50 fois distinctes. Au cours de chaque cycle, le modèle effectue propagation vers l'avant et rétropropagation pour affiner ses capacités de détection .