Introduction

Dans ce tutoriel, nous allons voir comment faire de la détection et de la reconnaissance d’objets sur des images. Nous allons apprendre à entraîner un modèle d’intelligence artificielle pour qu’il soit capable de reconnaître ce que vous souhaitez et qu'il le localise dans l'image avec une boîte englobante.

Un modèle entraîné à reconnaître des "geais bleus" donnera le résultat ci-dessous :

Entraînement supervisé du modèle

Pour entraîner un modèle d'intelligence artificielle à reconnaître quelque chose, il faut lui donner des images où le sujet d'intérêt a déjà été encadré par intervention humaine, c'est ce qu'on appelle une image annotée.

Un prérequis de cette formation est d'être en possession d'une large base d'images : le nombre d’images dont le modèle à besoin n'est pas absolu, ainsi vous pouvez lire cette documentation qui est dédiée au sujet.

La première étape est d'annoter ces images. Cela revient à venir encadrer manuellement ce que l'on souhaite faire apprendre à notre modèle sur toutes les images de notre base de données. Cette étape est fastidieuse mais impérative pour pouvoir entraîner notre modèle. Il est possible que vous trouviez des bases de données déjà annotées sur internet, mais si votre sujet d'intérêt est très niche, cela est peu vraisemblable.

Petit point de vocabulaire

Les sujets d’intérêt doivent porter un nom qui désigne leur catégorie d’appartenance que l’on appelle classe. Donc par exemple on peut avoir une classe “chat” et une classe “chien”, mais on peut aussi avoir une classe “berger australien” et “braque de Weimer”. Vous pouvez choisir absolument ce que vous voulez, que ce soit très général ou très spécifique.

Nous utiliserons dorénavant beaucoup le mot classe, donc il faut bien se rappeler que ce mot correspond simplement aux catégories d’objets que l’on souhaite détecter.

Autre point, il est important de comprendre que le modèle, une fois entraîné sur des données, ne sera efficace que sur des données similaires aux données d’entrainement. Par exemple : si vous n’aviez qu’une classe “chat” et que vos données ne montrent que des chats dans la neige, si vous lui donnez ensuite une image de chats dans une prairie, il ne le reconnaitra pas forcément voire pas du tout. Ayez une base de données qui représente vos cas de détection.