Classification d'images par CNN
- Introduite par
- He, K. et al. (ResNet); Tan, M. & Le, Q.V. (EfficientNet)
- Année
- 2016
- Type
- Deep convolutional neural network (supervised)
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
La classification d'images par CNN utilise des architectures convolutionnelles profondes telles que ResNet (He et al., 2016), VGG et EfficientNet (Tan & Le, 2019) pour trier les images en catégories.
Les couches convolutionnelles empilées apprennent une hiérarchie de caractéristiques visuelles directement à partir des pixels, et les connexions résiduelles (skip connections) empêchent le problème de la disparition du gradient dans les réseaux très profonds.
L’intuition derrière la méthode
Au lieu d'extraire manuellement des caractéristiques, un réseau convolutionnel fait glisser de petits filtres apprenables sur l'image, détectant les bords et les textures dans les premières couches et les combinant en formes et objets dans les couches plus profondes. Lorsque les réseaux deviennent très profonds, le signal d'entraînement peut s'estomper ; les connexions résiduelles ajoutent un raccourci qui permet à chaque bloc de n'apprendre que la modification par rapport à son entrée, de sorte que les gradients circulent proprement et que la profondeur continue d'aider plutôt que de nuire.
Histoire
Les réseaux convolutionnels profonds ont remodelé la vision par ordinateur dans les années 2010. He et al. (2016) ont introduit ResNet avec des connexions résiduelles à la CVPR, rendant pratique l'entraînement de réseaux de centaines de couches de profondeur et surmontant la dégradation observée dans les piles simples très profondes. VGG a popularisé les piles uniformes de petites convolutions, et Tan & Le (2019) ont proposé EfficientNet, qui ajuste conjointement la profondeur, la largeur et la résolution d'entrée pour atteindre une grande précision avec beaucoup moins de paramètres. Ces backbones, souvent utilisés pré-entraînés, restent des références standard pour la classification d'images.
Quand l’utiliser
Utilisez-le pour classifier ou prédire des catégories à partir de données d'images lorsque vous disposez d'un ensemble d'images étiquetées d'au moins environ 500 exemples et idéalement d'un GPU. Il ne suppose pas de données normalement distribuées, mais l'augmentation doit être appliquée. En dessous d'environ 500 images, un CNN profond a tendance à surajuster, donc l'apprentissage par transfert ou un modèle plus simple est préférable ; avec moins d'environ 100 images, les filtres ne peuvent pas extraire de caractéristiques significatives et un classificateur classique tel qu'un SVM est un choix plus sûr.
Limites et points d’attention
- Avide de données : nécessite au moins environ 500 images et surajuste mal sur des ensembles plus petits.
- Un GPU est pratiquement requis pour des temps d'entraînement raisonnables.
- Un modèle boîte noire avec une interprétabilité limitée de ses décisions.
- Avec très peu d'images (moins d'environ 100), les filtres ne peuvent pas du tout apprendre de caractéristiques significatives.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Apprend les caractéristiques visuelles directement à partir des pixels, éliminant le besoin de caractéristiques conçues manuellement.
- Les connexions résiduelles permettent d'entraîner des réseaux très profonds sans disparition des gradients.
- Précision de pointe sur la classification d'images dans de nombreux domaines.
- Les backbones pré-entraînés (ResNet, VGG, EfficientNet) permettent l'apprentissage par transfert sur des jeux de données modestes.
- Peu d'hypothèses : aucune exigence de normalité sur les données d'entrée.
Applications
- Classification d'images en catégories dans les domaines naturel, médical et de la télédétection.
- Apprentissage par transfert : affinage d'un backbone pré-entraîné pour une nouvelle tâche d'image.
- Contrôle qualité et inspection visuelle dans les environnements industriels.
- Tâches de prédiction où l'entrée sont des données d'images plutôt que des caractéristiques tabulaires.
Comment ça marche
Comment ça marche
Chaque couche convolutionnelle applique une banque de petits filtres apprenables sur l'image, produisant des cartes de caractéristiques qui mettent en évidence des motifs locaux tels que les bords, les coins et les textures. L'empilement de nombreuses couches de ce type construit une hiérarchie de caractéristiques visuelles de plus en plus abstraite, apprise directement à partir des pixels plutôt que conçue manuellement.
Les piles très profondes souffrent de la disparition des gradients. Les connexions résiduelles (skip connections), centrales à ResNet, ajoutent l'entrée d'un bloc à sa sortie de sorte que chaque bloc n'a qu'à apprendre la modification résiduelle. Ce raccourci maintient le flux des gradients à travers des dizaines ou des centaines de couches, ce qui permet d'entraîner ces réseaux à une grande profondeur. Des familles comme VGG privilégient les convolutions empilées uniformes tandis qu'EfficientNet ajuste la profondeur, la largeur et la résolution conjointement pour l'efficacité.
Formule
y = \mathcal{F}(x, \{W_i\}) + xLes cartes de caractéristiques finales sont mises en commun (pooled) et transmises à une tête de classification qui produit une probabilité pour chaque catégorie. En pratique, un modèle pré-entraîné sur un grand jeu de données est affiné en remplaçant cette tête pour les classes cibles, et l'augmentation de données est appliquée pour étendre l'ensemble d'entraînement effectif et réduire le surajustement (overfitting).
Pièges courants
- Entraîner un CNN profond à partir de zéro sur un petit jeu de données au lieu d'utiliser l'apprentissage par transfert.
- Ignorer l'augmentation de données et surajuster sur les images d'entraînement.
- Ignorer le déséquilibre des classes entre les catégories d'images.
- Rapporter uniquement la précision sans métriques par classe sur des données déséquilibrées.
- Tenter l'apprentissage profond sur quelques dizaines d'images où un modèle classique ferait mieux.
Questions fréquentes
Combien d'images me faut-il ?
Environ 500 images étiquetées est un minimum pratique, et plus c'est mieux. En dessous d'environ 500, un CNN profond surajuste, donc l'apprentissage par transfert à partir d'un backbone pré-entraîné ou un modèle plus simple est préférable ; en dessous d'environ 100 images, les filtres ne peuvent pas apprendre de caractéristiques significatives.
Ai-je besoin d'un GPU ?
Un GPU est fortement recommandé. L'entraînement de réseaux convolutionnels profonds est coûteux en calcul, et sur un CPU seul, les temps d'entraînement deviennent impraticables pour des jeux de données réalistes.
Quelle architecture choisir — ResNet, VGG ou EfficientNet ?
Les connexions résiduelles de ResNet rendent les réseaux très profonds entraînables et c'est un choix par défaut robuste. VGG utilise de simples piles uniformes de convolutions, tandis qu'EfficientNet ajuste conjointement la profondeur, la largeur et la résolution pour atteindre une grande précision avec moins de paramètres. Commencer à partir d'une version pré-entraînée de l'un d'eux est généralement la voie la plus fiable.
Pourquoi l'augmentation de données est-elle importante ?
L'augmentation — retournements, recadrages, rotations et transformations similaires — étend l'ensemble d'entraînement effectif et expose le réseau à plus de variations, ce qui réduit le surajustement. Avec des données d'images limitées, c'est l'une des étapes les plus importantes pour la généralisation.
Méthodes associées
Sources
He, K., Zhang, X., Ren, S. & Sun, J. (2016). Deep Residual Learning for Image Recognition. CVPR.
Ouvrir la référence DOICopié.Tan, M. & Le, Q.V. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. ICML, PMLR 97, 6105–6114. arXiv:1905.11946.
Ouvrir la référence de la publicationCopié.