L'apprentissage par transfert permet de réutiliser des modèles entraînés sur de grands ensembles de données pour de nouvelles tâches disposant de peu de données. Au lieu de construire un réseau de neurones à partir de zéro, on exploite des modèles pré-entraînés afin d'améliorer l'efficacité et les performances. Tout au long de ce cours, vous avez déjà rencontré des approches similaires dans les sections précédentes, qui ont posé les bases pour appliquer efficacement l'apprentissage par transfert.

Qu'est-ce que l'apprentissage par transfert ?

L'apprentissage par transfert est une technique où un modèle entraîné sur une tâche est adapté à une autre tâche connexe. En vision par ordinateur, des modèles pré-entraînés sur de grands ensembles de données comme ImageNet peuvent être ajustés pour des applications spécifiques telles que l'imagerie médicale ou la conduite autonome.

Pourquoi l'apprentissage par transfert est-il important ?

• Réduction du temps d'entraînement : le modèle ayant déjà appris des caractéristiques générales, seuls de légers ajustements sont nécessaires ;

• Moins de données requises : utile lorsque l'obtention de données annotées est coûteuse ;

• Amélioration des performances : les modèles pré-entraînés offrent une extraction de caractéristiques robuste, ce qui améliore la précision.

Flux de travail de l'apprentissage par transfert

Le flux de travail typique de l'apprentissage par transfert comprend plusieurs étapes clés :

1. Sélection d'un modèle pré-entraîné :

   • Choix d'un modèle entraîné sur un grand jeu de données (par exemple, ResNet, VGG, YOLO) ;

   • Ces modèles ont appris des représentations utiles pouvant être adaptées à de nouvelles tâches.

2. Modification du modèle pré-entraîné :

   • Extraction de caractéristiques : geler les premières couches et ne réentraîner que les couches finales pour la nouvelle tâche ;

   • Ajustement fin : dégeler certaines ou toutes les couches et les réentraîner sur le nouveau jeu de données.

3. Entraînement sur le nouveau jeu de données :

   • Entraînement du modèle modifié à l'aide d'un jeu de données plus petit, spécifique à la tâche cible ;

   • Optimisation à l'aide de techniques telles que la rétropropagation et les fonctions de perte.

4. Évaluation et itération :

   • Évaluation des performances à l'aide de métriques telles que accuracy, precision, recall et mAP ;

   • Ajustement fin supplémentaire si nécessaire pour améliorer les résultats.

Modèles pré-entraînés populaires

Parmi les modèles pré-entraînés les plus utilisés en vision par ordinateur, on trouve :

• ResNet : réseaux résiduels profonds permettant l'entraînement d'architectures très profondes ;

• VGG : une architecture simple avec des couches de convolution uniformes ;

• EfficientNet : optimisé pour une grande précision avec moins de paramètres ;

• YOLO : détection d'objets en temps réel à l'état de l'art (SOTA).

Ajustement fin vs. extraction de caractéristiques

L'extraction de caractéristiques consiste à utiliser les couches d'un modèle pré-entraîné comme extracteurs de caractéristiques fixes. Dans cette approche, la couche de classification finale du modèle d'origine est généralement supprimée et remplacée par une nouvelle, spécifique à la tâche cible. Les couches pré-entraînées restent gelées, c'est-à-dire que leurs poids ne sont pas mis à jour pendant l'entraînement, ce qui accélère l'apprentissage et nécessite moins de données.

L’ajustement fin (fine-tuning), quant à lui, va plus loin en réactivant certains ou l’ensemble des couches pré-entraînées et en les réentraînant sur le nouveau jeu de données. Cela permet au modèle d’adapter les caractéristiques apprises aux spécificités de la nouvelle tâche, ce qui conduit souvent à de meilleures performances—en particulier lorsque le nouveau jeu de données est suffisamment volumineux ou diffère significativement des données d’entraînement d’origine.

Applications de l’apprentissage par transfert

1. Classification d’images

La classification d’images consiste à attribuer des étiquettes aux images en fonction de leur contenu visuel. Des modèles pré-entraînés comme ResNet et EfficientNet peuvent être adaptés à des tâches spécifiques telles que l’imagerie médicale ou la classification de la faune.

Exemple :

• Sélectionner un modèle pré-entraîné (par exemple, ResNet) ;

• Modifier la couche de classification pour correspondre aux classes cibles ;

• Ajuster finement avec un taux d’apprentissage plus faible.

2. Détection d’objets

La détection d’objets consiste à identifier et localiser des objets dans une image. L’apprentissage par transfert permet à des modèles comme Faster R-CNN, SSD et YOLO de détecter efficacement des objets spécifiques dans de nouveaux jeux de données.

Exemple :

• Utiliser un modèle de détection d’objets pré-entraîné (par exemple, YOLOv8) ;

• Ajuster finement sur un jeu de données personnalisé avec de nouvelles classes d’objets ;

• Évaluer les performances et optimiser en conséquence.

3. Segmentation sémantique

La segmentation sémantique attribue à chaque pixel d’une image une catégorie prédéfinie. Des modèles comme U-Net et DeepLab sont largement utilisés dans des applications telles que la conduite autonome et l’imagerie médicale.

Exemple :

• Utiliser un modèle de segmentation pré-entraîné (par exemple, U-Net) ;

• Entraîner sur un jeu de données spécifique au domaine ;

• Ajuster les hyperparamètres pour une meilleure précision.

4. Transfert de style

Le transfert de style applique le style visuel d’une image à une autre tout en préservant son contenu d’origine. Cette technique est couramment utilisée dans l’art numérique et l’amélioration d’images, en s’appuyant sur des modèles pré-entraînés comme VGG.

Exemple :

• Sélectionner un modèle de transfert de style (par exemple, VGG) ;

• Fournir des images de contenu et de style ;

• Optimiser pour obtenir des résultats visuellement attrayants.