La reconnaissance d’images permet à un ordinateur d’analyser une image et d’identifier ce qu’elle contient. Mais comment une machine peut-elle reconnaître un chiffre, un objet ou un visage alors qu’elle ne « voit » pas comme un humain ?
Qu’est-ce que la reconnaissance d’images ?
La reconnaissance d’images est une technique qui consiste à analyser et classer des images à l’aide de modèles mathématiques.
Une image est transformée en données numériques. Chaque pixel possède une valeur qui permet au modèle d’analyser les formes et les caractéristiques présentes dans l’image.
Par exemple, avec suffisamment d’exemples, un modèle peut apprendre à distinguer différentes images de chiffres.
Comment fonctionne la reconnaissance d’images ?
Le processus repose principalement sur trois étapes :
1. Préparer les données
On rassemble de nombreuses images et on les organise avec leurs catégories ou leurs étiquettes.
Une partie des images sert à entraîner le modèle, tandis qu’une autre sert à tester ses performances.
2. Entraîner un modèle
Le modèle analyse les exemples disponibles et effectue des calculs mathématiques pour apprendre à reconnaître les caractéristiques associées à chaque catégorie.
Plusieurs méthodes peuvent être utilisées, comme kNN, la régression logistique ou les réseaux neuronaux convolutifs (CNN).
3. Faire une prédiction
Une fois entraîné, le modèle peut recevoir une nouvelle image.
Il analyse ses données et produit une prédiction. Par exemple, il peut déterminer qu’une image représente probablement le chiffre « 2 ».
Un exemple simple
Imaginez que vous montriez à un modèle des milliers d’images de chiffres avec leur bonne réponse.
Il apprend progressivement les caractéristiques qui permettent de distinguer un 0, un 1, un 2, un 3, etc.
Lorsque vous lui présentez ensuite une nouvelle image qu’il n’a jamais vue, il peut l’analyser et proposer la catégorie qui lui semble correspondre.
Où utilise-t-on la reconnaissance d’images ?
Cette technologie est déjà utilisée dans de nombreux domaines :
- OCR : transformer une image contenant du texte en texte numérique ;
- reconnaissance faciale ;
- détection d’objets ;
- analyse d’images ;
- véhicules autonomes.
Pourquoi les données sont-elles si importantes ?
La qualité du résultat dépend fortement des données utilisées pour entraîner le modèle.
Il faut disposer d’exemples suffisamment nombreux et représentatifs. Les données d’entraînement doivent également être séparées des données de test afin de vérifier si le modèle fonctionne réellement sur de nouvelles images.
Pourquoi faut-il beaucoup de puissance de calcul ?
Une image peut contenir des centaines de milliers de pixels. Lorsque l’on travaille avec des milliers d’images, le nombre de valeurs à analyser devient rapidement très important.
C’est pourquoi certaines applications utilisent des GPU et différentes techniques permettant de réduire la quantité de calculs nécessaires.
À retenir
La reconnaissance d’images ne signifie pas qu’un ordinateur « voit » comme un être humain.
Il transforme les images en données numériques, apprend à partir d’exemples grâce à un modèle mathématique, puis utilise ce modèle pour faire des prédictions.
En résumé : données → entraînement du modèle → analyse d’une nouvelle image → prédiction.