Vision par ordinateur : définition et usages
Réponse courte
La vision par ordinateur est un domaine de l'intelligence artificielle qui aide des machines à comprendre des images et des vidéos. Elle combine traitement d'image, apprentissage automatique et apprentissage profond pour extraire des informations utiles. Ses usages vont de la détection d'objets à l'imagerie médicale.
L’essentiel
- Elle automatise des tâches visuelles que le système humain réalise.
- Les données peuvent être des vidéos, des images multi-caméras ou des nuages de points.
- La classification d'images et la détection d'objets sont des tâches centrales.
- La qualité et la diversité des données d'entraînement conditionnent les résultats.
La vision par ordinateur réunit plusieurs disciplines pour aider des machines à dégager du sens d'images ou de vidéos numériques. Sous l'angle de l'ingénierie, elle vise à confier à des systèmes des tâches habituellement dévolues à la vue humaine. La recherche théorique porte sur les systèmes artificiels qui recueillent de l'information à partir d'images, tandis que la mise en pratique consiste à bâtir des systèmes à partir de ces résultats.
Qu'est-ce que la vision par ordinateur ?
Les données visuelles peuvent se présenter sous des formes variées : vidéos, images issues de plusieurs caméras, données multidimensionnelles d'un scanner 3D, nuages de points 3D issus de capteurs LiDAR ou données issues d'appareils médicaux.
Comment se distingue-t-elle des champs voisins ?
Le traitement d'image, l'analyse d'image et la vision industrielle sont les domaines les plus proches. Leurs méthodes et usages se recoupent largement. En traitement d'image, l'entrée et la sortie sont des images. En vision par ordinateur, l'entrée est une image ou une vidéo, et la sortie peut être une image améliorée, une analyse du contenu ou une action du système fondée sur cette analyse.
Le traitement du signal est également voisin. Des méthodes conçues pour des signaux à une variable, souvent temporels, peuvent s'adapter aux signaux à deux ou plusieurs variables. Cependant, les particularités des images ont conduit à des méthodes propres à la vision par ordinateur, sans équivalent pour les signaux à une variable. Avec la multidimensionnalité du signal, cela forme un sous-domaine du traitement du signal au sein de la vision par ordinateur.
Quel lien avec le graphisme et la réalité augmentée ?
Le graphisme produit des données d'image à partir de modèles 3D, tandis que la vision par ordinateur produit souvent des modèles 3D à partir d'images. Les deux domaines tendent à se rapprocher, notamment dans la réalité augmentée.
Quelles techniques utilise-t-elle ?
La vision par ordinateur utilise des techniques de traitement d'image et des modèles d'apprentissage profond pour détecter des objets, reconnaître des motifs et extraire des informations utiles des données visuelles. En tant que sous-champ de l'intelligence artificielle, elle utilise l'apprentissage automatique pour aider des ordinateurs et d'autres systèmes à dériver une information significative à partir de données visuelles.
La reconnaissance d'images est la forme la plus large. Elle couvre l'identification de personnes, de lieux, d'objets et d'autres entités dans des images numériques. Elle sert de base à des tâches comme la classification d'images, la détection d'objets et la segmentation d'images.
La classification d'images est une tâche centrale. Elle range des images dans des groupes ou classes prédéfinis et prédit l'étiquette la plus adaptée pour une image ou pour des objets présents dans une image. Les réseaux de neurones artificiels sont souvent utilisés pour apprendre ces motifs à partir d'exemples.
Comment entraîne-t-on un système ?
Le diagnostic de pneumonie à partir de radiographies thoraciques est un cas d'usage courant. L'interprétation de ces radiographies par des radiologues peut être longue et sujette à erreur, car les signes de pneumonie sont subtils et ressemblent à d'autres affections pulmonaires. Un système de vision par ordinateur peut alors aider.
La première étape consiste à rassembler les données visuelles nécessaires. Les hôpitaux produisent de grandes quantités de radiographies thoraciques, utilisables pour entraîner un algorithme. Comme il s'agit de distinguer une radiographie normale d'une radiographie signe de pneumonie, il faut constituer un ensemble de radiographies thoraciques et étiqueter correctement chaque examen.
La qualité d'un modèle d'IA dépend de celle des données d'entraînement. Le prétraitement peut améliorer ces données par le nettoyage et des ajustements comme la luminosité ou le contraste pour rendre les images plus nettes, ainsi que par le redimensionnement et le lissage.
Les ensembles de données doivent aussi être assez vastes et variés pour donner des résultats précis. La création de données synthétiques et l'augmentation de données peuvent élargir leur taille et leur diversité. Par exemple, des transformations géométriques comme la rotation d'une radiographie vers la gauche ou la droite, ou son retournement, peuvent servir à augmenter les données.
Où s'applique-t-elle ?
La vision par ordinateur sert à la détection d'objets, à la reconnaissance faciale et à l'automatisation. Elle aide aussi à interpréter des images médicales, comme dans le cas des radiographies thoraciques. La combinaison avec le graphisme ouvre des usages en réalité augmentée.
Quels défis rencontre-t-elle ?
Les résultats dépendent de la qualité, de la taille et de la diversité des données. L'annotation demande un travail précis. Les variations d'éclairage, de point de vue et d'occlusion peuvent compliquer l'analyse. Ces contraintes expliquent pourquoi la préparation des données reste une étape majeure.
Tableau comparatif
| Aspect | Traitement d'image | Vision par ordinateur |
|---|---|---|
| Entrée | Image | Image ou vidéo |
| Sortie | Image | Image améliorée, analyse du contenu ou comportement |
| Objectif | Améliorer ou transformer | Comprendre et interpréter |
Étapes typiques d'un projet
- Collecter et étiqueter des données visuelles.
- Prétraiter les images pour améliorer leur qualité.
- Entraîner un modèle sur des exemples variés.
- Évaluer les résultats sur de nouvelles images.
Autres questions fréquentes
La vision par ordinateur est-elle un sous-champ de l'intelligence artificielle ?
Oui. Elle équipe des machines pour traiter, analyser et interpréter des entrées visuelles comme des images et des vidéos, en utilisant l'apprentissage automatique.
Quelle est la différence entre traitement d'image et vision par ordinateur ?
Dans le traitement d'image, l'entrée et la sortie sont des images. En vision par ordinateur, l'entrée est une image ou une vidéo, et la sortie peut être une analyse ou un comportement.
Quels sont des exemples de tâches ?
La classification d'images, la détection d'objets et la segmentation d'images sont des tâches centrales.
Pourquoi la qualité des données est-elle importante ?
Un modèle n'est aussi bon que les données utilisées pour l'entraîner. Des données propres, grandes et diversifiées améliorent les résultats.
Pages liées
- Alignement de l'IA : définition et enjeux
L'alignement de l'IA vise à intégrer des valeurs et des objectifs humains dans un modèle afin qu'il soit utile, sûr et fiable. Il vise à faire adopter au système le bon comportement dans des situations nouvelles, et non seulement à suivre littéralement des instructions. Les techniques incluent le retour humain, les données synthétiques, le red teaming et le réglage contrastif.
- Apprentissage par renforcement : principes et usages
L'apprentissage par renforcement est une branche du machine learning où un agent apprend par essais et erreurs en interagissant avec un environnement. Il cherche à maximiser une récompense cumulée pour résoudre des problèmes de décision séquentielle. Les concepts clés sont l'agent, l'état, l'action, la récompense et la politique.
- Grand modèle de langage : définition et usages
Un grand modèle de langage est une IA formée sur d'immenses corpus textuels pour comprendre et générer du langage humain. Il repose sur des réseaux de neurones profonds comportant des milliards de paramètres. Il sert à répondre à des questions, traduire, résumer, générer du code et d'autres tâches linguistiques.
- Apprentissage profond : principes et applications
L'apprentissage profond est une branche de l'apprentissage automatique qui emploie des réseaux de neurones à plusieurs couches pour apprendre des représentations à partir de données. Il sert notamment à la vision par ordinateur, au traitement du langage et à la reconnaissance vocale. Ses résultats dépendent de la qualité des données, de l'architecture choisie et de la puissance de calcul disponible.
- Intelligence artificielle générative : fonctionnement
L'intelligence artificielle générative regroupe les technologies capables de concevoir des contenus originaux tels que des textes, des images, du code logiciel ou des sons en réponse à des consignes textuelles. Elle s'appuie sur des modèles d'apprentissage profond entraînés sur de vastes volumes de données pour déceler et reproduire des structures statistiques complexes. Contrairement aux approches discriminatives qui classent les données, ces architectures synthétisent de nouveaux échantillons conformes aux distributions apprises.
- Traitement automatique du langage naturel
Le traitement automatique du langage naturel est une discipline de l'intelligence artificielle et de l'informatique dédiée à l'interprétation et à la génération du langage humain par les machines. En associant la linguistique computationnelle à l'apprentissage automatique et aux réseaux profonds, cette technologie transforme des données textuelles ou vocales brutes en informations structurées et exploitables.
Comment cette page a été préparée
Avant la rédaction, le sujet a été étudié dans les sources ci-dessous. La page a ensuite passé des contrôles de qualité automatiques.