À retenir
- L’IA comprend les images en transformant les pixels en caractéristiques, en motifs et en représentations utiles pour une tâche.
- Le système ne voit pas comme un humain. Il apprend des signaux statistiques qui peuvent bien fonctionner tout en échouant de façons étranges.
- La question pratique est de savoir si la représentation reste fiable sur les images réelles, avec les caméras, les éclairages et les cas limites qui comptent pour vous.
Regardez la vidéo et soutenez-moi sur YouTube
Cet article vise à expliquer l’un des modèles d’intelligence artificielle les plus utilisés au monde. Je tenterai de garder l’explication très simple afin que tout le monde puisse comprendre son fonctionnement. L’IA est partout dans notre quotidien et ne fera que devenir plus présente. Vous devez donc comprendre comment elle fonctionne, où nous en sommes et ce qui s’en vient. Plus vous en apprendrez sur l’IA, plus vous comprendrez qu’elle n’est pas aussi avancée que la plupart des gens le croient en raison de son intelligence limitée. Elle offre malgré tout de puissantes applications aux particuliers et aux entreprises. Connaître son fonctionnement vous aidera à mieux comprendre les applications et les limites possibles, et à mieux communiquer avec vos employés techniques.
Les réseaux neuronaux convolutifs, ou CNN, constituent l’une des architectures de réseaux neuronaux profonds les plus puissantes en vision par ordinateur, soit toute application visuelle qui traite des images. Les CNN sont une architecture d’apprentissage profond puissante et couramment utilisée dans les applications visuelles. En termes simples, ils compressent l’image de façon itérative. Le réseau se concentre sur l’information dont nous avons besoin tout en supprimant les caractéristiques spatiales redondantes qui ne se généralisent pas. Nous obtenons finalement un taux de confiance qui indique si l’image contient ou non ce que nous cherchions. Le réseau peut se concentrer sur n’importe quoi : des chats, des humains, des objets ou, dans ce cas-ci, de la fumée. Tout dépend des données utilisées pour entraîner le modèle, mais son architecture générale et son fonctionnement demeurent les mêmes. Par entraînement, j’entends le processus qui consiste à fournir de façon itérative toutes nos images au modèle afin de tenter d’améliorer ses performances, comme nous le verrons dans cet article.
Vous pouvez voir les CNN comme des réseaux qui compressent l’image en se concentrant, à chaque étape, sur l’une de ses caractéristiques précises. Plus nous avançons en profondeur dans le réseau, plus l’image devient comprimée et pertinente pour notre objectif.
Cet article porte sur une application passionnante dans laquelle l’IA aide à repérer les feux de forêt dans des images afin de réduire le délai moyen de détection et les dommages causés par les incendies. Comme vous pouvez vous y attendre, nos filtres se concentrent sur les caractéristiques de la fumée et du feu.
Quoi, pourquoi et comment : les filtres dans un réseau neuronal convolutif.
Pour y arriver, des filtres parcourent toute l’image et se concentrent sur des caractéristiques précises, par exemple des contours ayant certaines orientations. Le processus est répété avec plusieurs filtres qui forment une convolution, et ces filtres sont appris pendant l’entraînement. Après la première convolution, nous obtenons une nouvelle image plus petite pour chaque filtre, appelée carte de caractéristiques, dont chacune se concentre sur des contours ou des caractéristiques précises. Elles ressemblent toutes à une étrange version agrandie et floue de l’image qui accentue certaines caractéristiques. Nous pouvons utiliser autant de filtres que nécessaire pour optimiser notre tâche.
Chacune de ces nouvelles images est ensuite soumise au même processus encore et encore, jusqu’à ce que l’image soit tellement comprimée que nous disposions d’un grand nombre de minuscules cartes de caractéristiques optimisées pour l’information dont nous avons besoin et adaptées aux nombreuses images de notre jeu de données. Chaque convolution ajoutée devient une couche supplémentaire dans la « profondeur » de notre réseau, ce qui en fait un réseau neuronal profond lorsqu’il contient plusieurs couches entre l’image et les résultats de classification. En termes simples, plus nous avons de filtres, plus notre tâche peut couvrir d’images différentes, à condition que toutes ces variations se trouvent dans les données utilisées pour l’entraînement. L’important est de trouver le juste équilibre entre le nombre de filtres utilisés dans chaque couche, la profondeur du réseau et la complexité de la tâche à accomplir.
Enfin, ces minuscules cartes de caractéristiques sont envoyées dans ce que nous appelons des « couches entièrement connectées » afin d’extraire l’information pertinente à l’aide de poids.
Les couches entièrement connectées qui effectuent la classification à la fin de notre CNN.
Ces dernières couches contiennent tous les poids connectés qui apprennent sur quelle caractéristique le modèle devrait se concentrer selon les images reçues, puis transmettent l’information pour notre classification finale. Ce processus comprime encore davantage l’information et nous indique finalement si de la fumée est présente, avec un niveau de confiance. Si le modèle est bien entraîné, le résultat final sera donc un modèle qui concentre sa compression sur les caractéristiques de la fumée dans l’image. C’est pourquoi cette architecture convient si bien à cette tâche, ou à toute autre tâche qui traite des images. Un bon entraînement signifie que le modèle a correctement adapté ses poids, ou filtres, pour reconnaître la caractéristique voulue. Dans cet exemple, le réseau fonde ses résultats sur la fumée et le feu, tout en produisant une réponse faible ou nulle lorsque ni l’un ni l’autre n’apparaît. Cette adaptation des poids et des filtres se fait de façon itérative en fournissant des exemples au réseau et en mettant à jour la valeur des poids selon la différence entre ce que le réseau a répondu et ce que nous voulions qu’il réponde. Au départ, le réseau se comporte de façon assez aléatoire et met donc régulièrement ses poids à jour. Avec le temps, il se rapproche de plus en plus de la vérité, puis nous terminons l’entraînement.
Bien sûr, le processus d’entraînement contient davantage de détails techniques, mais cette explication suffit largement pour comprendre comment un réseau profond peut effectuer une classification lorsqu’il reçoit une image.
(à gauche) réponses élevées des filtres pour une image avec de la fumée et (à droite) réponses faibles pour une image sans fumée.
Si de la fumée est présente, les filtres produisent des réponses élevées, et le réseau nous indique avec un haut niveau de confiance qu’il y a de la fumée dans l’image. S’il n’y en a pas, les résultats de cette compression produisent de faibles réponses qui nous indiquent que rien ne se passe dans l’image en ce qui concerne ce que nous tentons de détecter, soit un incendie dans ce cas-ci. Le réseau peut aussi produire n’importe quel taux de confiance entre l’absence de fumée et une fumée évidente. Et voilà, vous avez votre détecteur de feux de forêt !
Merci d’avoir lu cet article,
Louis
Venez discuter avec nous dans notre communauté Discord : Learn AI Together et partagez vos projets, vos articles scientifiques et les meilleures formations, trouvez des coéquipiers pour Kaggle et bien plus encore !
Si vous aimez mon travail et voulez rester au courant des nouveautés en IA, vous devriez vraiment me suivre sur mes autres réseaux sociaux, comme LinkedIn et Twitter, et vous abonner à mon infolettre hebdomadaire sur l’IA !
Pour me soutenir :
- La meilleure façon de me soutenir est de devenir membre de ce site Web ou de vous abonner à ma chaîne YouTube si vous aimez le format vidéo.
- Soutenez financièrement mon travail sur Patreon
FAQ
Comment l’IA comprend-elle les images ?
Un modèle d’IA visuelle transforme les pixels en caractéristiques et en représentations, puis les utilise pour des tâches comme la reconnaissance, la détection ou la segmentation.
La vision par ordinateur comprend-elle les images comme les humains ?
Non. Elle peut apprendre des motifs visuels utiles, mais elle ne partage ni le contexte, ni le bon sens, ni l’expérience vécue que les humains associent à une image.
Que sont les caractéristiques d’une image en IA ?
Ce sont des signaux appris, comme les contours, les textures, les formes, les parties, les objets ou les motifs de plus haut niveau, qui aident à résoudre une tâche visuelle.
Pourquoi les modèles de vision échouent-ils sur des images qui semblent simples ?
Ils peuvent échouer lorsque la distribution des images change, que les étiquettes sont faibles, que la scène contient des détails rares ou que le modèle s’appuie sur le mauvais raccourci.
Comment les builders peuvent-ils évaluer la compréhension des images ?
Testez le modèle sur de vrais exemples, des cas limites, différentes conditions, des groupes sous-représentés et les erreurs qui auraient des conséquences dans le produit.