L’analyse comparative des algorithmes révèle que Faster R-CNN surpasse YOLOv5 avec une précision impressionnante de 89% dans la détection de véhicules. Ces résultats critiques transforment notre compréhension des techniques de vision par ordinateur, offrant des solutions prometteuses pour améliorer la sécurité routière.
Apprentissage profond
L’apprentissage profond « Deep Learning » est un ensemble de techniques d’apprentissage automatique qui a permis des avancées importantes en intelligence artificielle dans les dernières années. Dans l’apprentissage automatique, un programme analyse un ensemble de données afin de tirer des règles qui permettront de tirer des conclusions sur de nouvelles données.
L’apprentissage profond est basé sur ce qui a été appelé, par analogie, des « réseaux de neurones artificiels », composés de milliers d’unités « neurones » qui effectuent chacune de petites opérations simples. Les résultats d’une première couche de « neurones » servent d’entrée aux calculs d’une deuxième couche et ainsi de suite.
Les progrès de l’apprentissage profond ont été possibles notamment grâce à l’augmentation de la puissance des ordinateurs et au développement de grandes bases de données « big data ». [Boughaba et Boukhris, 2017]
Apprentissage automatique (Machine Learning)
L’apprentissage automatique (Machine Learning) est un domaine de recherche en informatique qui traite des méthodes d’identification et de mise en œuvre de systèmes et algorithmes par lesquels un ordinateur peut apprendre, ce domaine a souvent été associé à l’intelligence artificielle. On peut citer trois types d’algorithme d’apprentissage : [Oulmi et Kaloune, 2018]
- Apprentissage supervisé.
- Apprentissage non supervisé.
- Apprentissage par renforcement.
- Apprentissage supervisé
L’apprentissage supervisé consiste en la conception d’un modèle reliant des données d’apprentissage à un ensemble de valeurs de sortie. C’est-à-dire que les données d’entraînement qu’on fournit à l’algorithme comportent les solutions désirées, appelées étiquettes (en anglais, labels).
Cette méthode permet donc à l’algorithme d’apprendre en comparant sa sortie réelle avec les sorties enseignées, afin de trouver les erreurs et modifier le modèle en conséquent. L’apprentissage supervisé confère au modèle la possibilité de prédire des valeurs d’étiquette sur des données non étiquetées supplémentaires. [Andriamiandrasoa, 2019]
Les algorithmes d’apprentissage supervisé sont les plus couramment utilisés, il y deux types d’apprentissage supervisé :
- La classification : elle consiste à trouver le lien entre une variable d’entrée (X) et une variable de sortie discrète (Y), en suivant une loi multinomiale.
- La régression : elle consiste à prédire une valeur continue pour la variable de sortie. Les algorithmes les plus célèbres utilisés dans cette approche sont les suivants :
- SVM (Machines à vecteurs de support) : est un apprentissage automatique très puissant et polyvalent modèle, capable d’effectuer la classification linéaire ou non linéaire, la régression, et même détection des valeurs aberrantes.
- Les arbres de décision : un arbre de décision sert à classer les futures observations, sachant qu’un corpus d’observations est déjà étiqueté.
- Les réseaux de neurones : c’est un modèle informatique qui partage certaines propriétés avec le cerveau humain, dans lequel de nombreuses unités simples travaillent en parallèle sans centralisation, ils permettent de trouver des patterns complexes dans les données, il se compose de valeurs d’entrées, poids, fonction de transfert et une valeur de sortie. [Bensiah, 2020]
- Apprentissage non supervisé
Le ML non supervisé définit essentiellement toute méthode de ML qui tente d’apprendre la structure en l’absence d’une sortie identifiée [Çınar et al, 2020]. Les ordinateurs apprennent à identifier par eux-mêmes les similitudes et les distinctions entre les données, et à regrouper ceux qui partagent des caractéristiques communes sans aucune orientation humaine stricte et rigoureuse. [Mateyaunga, 2020]
L’apprentissage automatique non supervisé peut être comparé à un enfant qui apprend à identifier le type de fruit en observant le motif et la couleur, au lieu de mémoriser les noms avec l’aide d’une autre personne. [Fatoumata et Amor, 2021]
- Apprentissage par renforcement
Il existe beaucoup de problèmes où les sorties désirées que l’apprentissage supervisé exige sont difficile à spécifier. On ne dispose souvent que d’une information qualitative permettant l’évaluation de la réponse calculée. [Dilmi, 2012]
L’apprentissage par renforcement utilise cette évaluation pour améliorer les performances du système. Cette forme d’apprentissage constitue une méthode d’apprentissage par essais et erreurs. [Mezaache, 2008]
Apprentissage automatique vs apprentissage profond
La majeure différence qu’on note entre ses 2 concepts provient de la manière dont les données sont présentées au système (modèle).
- Les algorithmes de machine learning (ML) nécessitent presque toujours des données structurées, alors que les réseaux d’apprentissage profond reposent sur des couches de réseaux de neurones artificiels (RNA).
- On voit aussi une différence au sein de l’architecture des modèles qui les composent, on note que les modèles type DL sont plus profond que les modèles type ML.
- Deep Learning n’utilise que les réseaux de neurones, alors que pour le ML les réseaux de neurones sont qu’une approche de conception des modèles parmi tant d’autres.
En considérant le fait que le DL est la prochaine étape de l’évolution du ML inculquant aux machines la manière de prendre leurs décisions de façon précise sans l’intervention de l’expert humain [Senani, 2019].
[6_analyse-comparative-des-algorithmes-de-detection-de-vehicules_10]
Figure 12: IA vs ML vs DP. [Medium, 2020]
Questions Fréquemment Posées
Quels sont les types d’apprentissage en apprentissage automatique?
On peut citer trois types d’algorithme d’apprentissage : apprentissage supervisé, apprentissage non supervisé et apprentissage par renforcement.
Quelle est la précision de Faster R-CNN dans la détection de véhicules?
Les résultats montrent que Faster R-CNN obtient les meilleures performances avec une précision de 89%.
Qu’est-ce que l’apprentissage supervisé?
L’apprentissage supervisé consiste en la conception d’un modèle reliant des données d’apprentissage à un ensemble de valeurs de sortie, permettant à l’algorithme d’apprendre en comparant sa sortie réelle avec les sorties enseignées.