Vision par ordinateur
Vision par ordinateur - Comment l'IA apprend à voir le monde
Vous jetez un coup d'œil à une photo et savez instantanément qu'elle montre un chien sur une plage. Pour un ordinateur, cette même image n'est rien de plus qu'une immense grille de nombres. La vision par ordinateur est la branche de l'IA qui apprend aux machines à extraire du sens de ces nombres - et elle transforme déjà les industries autour de vous.
Comment les ordinateurs « voient »
Lorsque vous regardez une photographie, votre cerveau reconnaît instantanément les formes, les couleurs et la profondeur. Un ordinateur n'a rien de cette intuition. À la place, il travaille avec des nombres bruts.
Une image numérique est une grille de pixels. Chaque pixel stocke des valeurs de couleur - généralement trois canaux : rouge, vert et bleu (RGB). Une image HD de 1920 × 1080 contient plus de deux millions de pixels, chacun avec trois valeurs allant de 0 à 255. Multipliez le tout et même une seule image contient des millions de nombres.
La résolution détermine la quantité de détails que la grille capture. Une résolution plus élevée signifie plus de pixels et des détails plus riches - mais aussi beaucoup plus de données à traiter pour l'IA. Une image 4K a quatre fois plus de pixels qu'une image HD, ce qui signifie quatre fois le coût computationnel.
Les images en niveaux de gris n'ont qu'un seul canal (la luminosité), tandis que certains formats spécialisés - comme l'imagerie satellite ou les scanners médicaux - peuvent avoir des dizaines de canaux capturant des longueurs d'onde invisibles à l'œil humain.
L'œil humain peut distinguer environ 10 millions de couleurs. Une image RGB standard en 8 bits peut représenter plus de 16,7 millions de combinaisons de couleurs uniques - plus que ce que nous pouvons réellement percevoir !
Réseaux de neurones convolutifs (CNNs)
Les premières tentatives en vision par ordinateur reposaient sur des règles artisanales - « chercher des contours ici, faire correspondre ce modèle là ». Ces approches fragiles échouaient dès que la scène changeait. Les systèmes modernes utilisent des réseaux de neurones convolutifs (CNNs), qui apprennent leurs propres règles à partir de milliers d'exemples étiquetés.
Imaginez un CNN comme une chaîne de montage de détecteurs de motifs, chaque couche s'appuyant sur la précédente :
- Les couches convolutives font glisser de petits filtres sur l'image, détectant des motifs simples comme les contours, les coins et les textures.
Discussion
Sign in to join the discussion