« L’intelligence artificielle, et notamment la reconnaissance d’image, aura bientôt une place prépondérante dans nos vies quotidiennes. Les possibilités induites par cette technologie sont considérables, car elle va améliorer les services existants et en créer de nouveaux, impulser de nouvelles opportunités économiques et ainsi redéfinir les standards de nos industries. »
La reconnaissance d’image connaît déjà de nombreuses utilisations au quotidien, et dans des domaines très variés. Par exemple, elle permet de rendre votre appareil photo numérique plus intelligent ou d’améliorer le contrôle de qualité des produits de grande consommation sur les lignes de production. Les possibilités induites par cette technologie sont immenses, c’est pourquoi nous avons construit pour vous un guide en 6 étapes afin de mener à bien votre projet de reconnaissance d’image et vous permettre de redéfinir les standards de votre activité.
1- Concevez votre projet
Avant de penser aux résultats, Il est nécessaire d’établir le périmètre clair de votre projet. Vous limiterez ainsi les risques d’erreurs, sauvegarderez vos ressources et avancerez plus efficacement. Pour cela, il faut se poser des questions précises, telles que :
- Quel type d’images voulez que votre intelligence artificielle traite ?
- Quelle tâche souhaitez-vous que votre IA réalise ?
- Combien de concepts souhaitez-vous identifier ?
- Devez-vous localiser des objets ?
- Devez-vous les suivre ?
- Quel type de résultat souhaitez-vous obtenir ?
Notre guide a été rédigé afin de vous aider à répondre à ces questions.
2- Collectez vos données
Afin d’entraîner votre système de reconnaissance d’image et le rendre le plus performant possible, vous avez besoin de construire un jeu de données. Celui-ci, composé de photos et vidéos, va permettre à votre système d’apprendre à identifier les concepts nécessaires à votre projet, et gagner ainsi en efficacité. Le type de données que vous devez collecter dépend entièrement de la nature de votre projet. Néanmoins, gardez en tête les quatre facteurs principaux qui doivent vous guider lors de la sélection de vos données : Quantité, précision, diversité et qualité.
3- Construisez le bon jeu de donnée
La collecte de données seule ne suffit pas, l’important est de les annoter afin d’apprendre à votre intelligence artificielle à reconnaître vos concepts. Il faut pour cela lui indiquer ce qui est présent ou non dans une image. Cela s’appelle “Labelliser” son image, et différents types de labels, avec des degrés de précision différents, existent :
- Les tags, une annotation générale de ce qui est présent sur l’image.
- Les bounding boxes, apposant un cadre rectangulaire sur les concepts identifiés afin de les localiser
- Des lignes et des polygones épousant précisément les formes des concepts présents à l’image.
Les méthodes de labellisation varient selon la tâche que vous avez choisie lors de la première étape. Plus les labels sont précis, plus l’annotation des images est longue.
4- Entraînez votre modèle
Afin de vous assurer que votre modèle apprenne correctement à réaliser la tâche qu’il vous faut, vous devez lui fournir un jeu de données labellisées en entrée (input) qui lui fera figure d’exemple. Si, par exemple, vous voulez construire un système de Computer Vision qui doit distinguer les voitures des trains, il faut alors lui soumettre un jeu de données fourni d’images de trains et de voitures annotées avec leurs caractéristiques propres. C’est exposé à ces informations que l’algorithme va apprendre à reconnaître les caractéristiques. Une fois suffisamment entraîné, il sera en mesure de distinguer les voitures et les trains en produisant une prédiction.
5- Mesurez votre performance
Une fois votre modèle entraîné et spécialisé dans la tâche voulue, il faut connaître son efficacité et améliorer sa performance. Ces outils vous permettent de connaître le taux d’images bien classées par votre intelligence artificielle, le degré de différence entre son analyse et les annotations faites à la main mais aussi les erreurs de labellisation qu’elle commet. Tous ces indicateurs vous permettent de comprendre les performances de l’intelligence artificielle et de vous focaliser sur certains points de défaillance.
6- Déployez votre modèle
Ça y est, votre modèle est entraîné et vous pouvez désormais le mettre en production. Le choix du hardware sur lequel votre système de reconnaissance d’image va fonctionner dépend des tâches que vous souhaitez qu’il effectue. Si la performance et la rapidité de votre modèle est une priorité, lors de tâches en temps réel par exemple, alors il est conseillé d’investir dans un GPU (Graphics Processing Unit). Plus efficaces, ils sont cependant plus chers à l’achat, et plus gourmands en énergie. Si au contraire la vitesse n’est pas cruciale, investir dans un CPU (Central Processing Unit) suffit.
Conclusion
Vous connaissez donc maintenant les 6 étapes à suivre pour la construction de votre système de reconnaissance d’image. Gardez à l’esprit qu’il s’agit d’une version simplifiée du processus. Si vous voulez connaître les détails, astuces, bonnes pratiques et points de vigilance à connaître lors de l’élaboration de votre projet.
