Classification des images

Comment fonctionne la classification des images ?

Les modèles de classification d'images sont formés à l'aide de l'apprentissage supervisé, où ils sont alimentés par un grand nombre d'images qui ont déjà été étiquetées manuellement avec la bonne classe. Au cours de la formation, le réseau neuronal apprend à identifier les motifs, les textures, les formes et les combinaisons de couleurs associés à chaque catégorie. Cet apprentissage est réalisé grâce à un processus appelé rétropropagation, qui ajuste les paramètres internes du modèle, ou poids, afin de minimiser la différence entre ses prédictions et les étiquettes réelles.

Les modèles de classification modernes utilisent souvent des architectures d'apprentissage profond comportant de nombreuses couches. Les premières couches peuvent apprendre à reconnaître des caractéristiques simples comme les bords et les coins, tandis que les couches plus profondes les combinent pour identifier des structures plus complexes comme les yeux, les roues ou les visages. La dernière couche du réseau utilise généralement une fonction softmax pour produire un score de probabilité pour chaque classe possible. La classe ayant la probabilité la plus élevée est choisie comme prédiction finale. La clé de ce processus est l'extraction de caractéristiques, où le modèle apprend automatiquement les caractéristiques les plus informatives pour la tâche de classification.

Applications de la classification des images

La classification des images est utilisée dans de nombreux secteurs pour automatiser et étendre les tâches de reconnaissance visuelle. En voici deux exemples marquants :

1. Analyse d'images médicales: Dans le domaine de la santé, les modèles de classification analysent les images médicales telles que les radiographies, les IRM et les tomodensitogrammes afin d'aider les radiologues à détecter les maladies. Par exemple, un modèle peut être entraîné sur des milliers de mammographies pour classer les images comme "bénignes" ou "malignes", aidant ainsi à la détection précoce du cancer du sein. Cela peut conduire à des diagnostics plus rapides et à une réduction des erreurs humaines. Pour en savoir plus, consultez la présentation de l'American Cancer Society sur l'IA dans la détection du cancer.
2. Technologie agricole : Les agriculteurs utilisent la classification d'images pour surveiller la santé des cultures à partir d'images capturées par des drones ou des satellites. Un modèle peut classer les images de feuilles de plantes dans des catégories telles que "sain", "malade" ou "infesté de parasites". Cela permet de cibler l'application de pesticides ou d'engrais, d'améliorer le rendement des cultures et de promouvoir l'agriculture durable. En savoir plus sur la façon dont Ultralytics soutient l'IA dans l'agriculture.

Classification d'images et tâches connexes

Bien qu'elle soit étroitement liée à d'autres tâches de vision par ordinateur, la classification d'images a un objectif distinct. Il est important de la différencier de :

• Détection d'objets: Cette tâche va plus loin que la classification. Au lieu d'attribuer une étiquette à l'ensemble de l'image, la détection d'objets identifie plusieurs objets dans une image et dessine un cadre autour de chacun d'entre eux, en attribuant également une étiquette de classe à chaque cadre. Par exemple, elle ne se contente pas d'étiqueter une image "scène de rue", mais localise et classe les "voitures", les "piétons" et les "feux de circulation".
• Segmentation d'images: Cette tâche permet d'obtenir la compréhension la plus détaillée d'une image en classant chaque pixel. Il existe différents types de segmentation, notamment la segmentation sémantique, qui attribue une classe à chaque pixel (par exemple, tous les pixels appartenant à des voitures sont d'une seule couleur), et la segmentation d'instance, qui distingue les différentes instances d'un même objet (par exemple, chaque voiture est d'une couleur différente). Ce niveau de détail est essentiel pour des applications telles que les véhicules autonomes.

En résumé, la classification indique ce qui se trouve dans une image, la détection indique quoi et où, et la segmentation fournit une carte détaillée, au niveau des pixels, de tout ce qui se trouve dans la scène.

Classification d'images avec Ultralytics

Bien que réputés pour la détection d'objets, les modèles YOLO d'Ultralytics excellent également dans les tâches de classification d'images. Les modèles de pointe comme YOLO11 peuvent être facilement entraînés ou affinés sur des ensembles de données personnalisés à l'aide du logiciel intuitif Ultralytics Python ou de la plateforme sans code Ultralytics HUB.

Notre documentation fournit des ressources étendues, y compris des conseils pour l'entraînement des modèles et un guide détaillé sur l'utilisation de YOLO11 pour la classification d'images. Les développeurs peuvent utiliser des modèles pré-entraînés sur des ensembles de données de référence comme ImageNet, CIFAR-100 et Caltech-101 ou entraîner un nouveau modèle à partir de zéro. Pour ceux qui s'intéressent aux dernières avancées, des ressources telles que Papers With Code offrent un aperçu complet des modèles les plus performants. Vous pouvez également comparer les performances des modèles YOLO avec des critères de référence standard. Des frameworks tels que PyTorch et TensorFlow constituent la base de la construction et de l'entraînement de ces modèles.