Comprendre la vision IA : de la classification d'images à la segmentation d'instances

En vision par ordinateur, la complexité de la perception d'une image par une machine progresse de la compréhension de l'image entière comme un concept unique à l'analyse au niveau des pixels individuels. Ces tâches sont catégorisées en fonction du niveau de détail qu'elles fournissent.

Classification d'images

La classification d'images est la tâche la plus fondamentale. Elle consiste à attribuer une seule étiquette à une image entière. Par exemple, si vous montrez à une IA une photo d'un chien, le modèle émet simplement l'étiquette 'Chien'. Il indique ce qui se trouve dans l'image mais ne précise pas où se trouve l'objet ni s'il y a plusieurs objets. Elle est utilisée dans des contextes comme la modération de contenu, où une image entière est signalée comme sûre ou non, ou dans des systèmes de tri simples où les images sont classées dans des dossiers en fonction de leur contenu.

Détection d'objets

La détection d'objets passe à un niveau plus granulaire en identifiant à la fois ce qui se trouve dans l'image et où il se trouve. Au lieu de simplement étiqueter l'image entière, elle dessine une boîte englobante autour d'objets spécifiques et attribue une étiquette à chaque boîte. Par exemple, dans une scène de rue, elle pourrait dessiner des boîtes autour de trois voitures différentes et d'un piéton. Cela est essentiel pour des applications en temps réel comme la conduite autonome, où une voiture doit savoir exactement où se trouvent les obstacles pour les éviter, ou dans le commerce de détail, où des caméras suivent les produits sur les étagères pour gérer les stocks.

Segmentation sémantique

La segmentation sémantique pousse l'analyse au niveau du pixel. Elle classe chaque pixel d'une image dans une catégorie, comme route, ciel, arbre ou voiture. Cependant, elle ne distingue pas les objets individuels de la même classe. S'il y a trois voitures dans l'image, la segmentation sémantique colorera tous les pixels appartenant à n'importe quelle voiture avec la même étiquette, les traitant effectivement comme un grand bloc de pixels de voiture. Cela est très utile pour les tâches où la frontière précise d'une région est plus importante que les objets individuels, comme en imagerie médicale pour identifier la zone d'une tumeur ou en imagerie satellite pour cartographier l'utilisation des terres comme les forêts ou les plans d'eau.

Segmentation d'instances

La segmentation d'instances combine les forces de la détection d'objets et de la segmentation sémantique. Comme la segmentation sémantique, elle classe chaque pixel, mais elle distingue également les instances individuelles de la même classe. S'il y a trois voitures, elle les étiquettera comme Voiture 1, Voiture 2 et Voiture 3, fournissant un masque unique pour chacune. C'est le niveau d'analyse le plus précis. Elle est utilisée en robotique avancée où une machine doit ramasser un objet spécifique dans un tas d'objets similaires, ou en diagnostic médical où un médecin doit compter et mesurer des cellules ou des lésions individuelles plutôt que d'identifier simplement la zone générale du tissu.

Tableau comparatif

Conclusion

En résumé, le choix de la tâche dépend du résultat requis. Utilisez la classification d'images lorsque vous avez seulement besoin de connaître le contenu général d'une image. Utilisez la détection d'objets lorsque vous devez localiser des objets avec des boîtes englobantes. Utilisez la segmentation sémantique lorsque vous devez comprendre la forme et les limites des catégories dans toute la scène. Utilisez la segmentation d'instances lorsque vous devez identifier, compter et délimiter précisément chaque objet individuel dans l'image.