![\"Eine](\"https:\/\/www.charlyverse.com\/wp-content\/uploads\/2025\/05\/gradcam_output_gideon_antwi.jpg\")
<\/p>\nLa pr\u00e9cision est l’une des principales raisons pour lesquelles l’IA ne parvient pas \u00e0 reconna\u00eetre des objets. En effet, l’IA ne reconna\u00eet que ce qu’elle conna\u00eet d\u00e9j\u00e0. L’abstraction et la variation ne sont pas ses points forts. C’est l’une des conclusions du m\u00e9moire de ma\u00eetrise intitul\u00e9 \u00ab Interpreting YOLO : A Study on Explainability in Multi-Class Object Detection Models \u00bb (Interpr\u00e9ter YOLO : une \u00e9tude sur l’explicabilit\u00e9 dans les mod\u00e8les de d\u00e9tection d’objets multi-classes) de Gideon Antwi, \u00e9tudiant en cours de formation chez innomatik AG. Dans son m\u00e9moire, Antwi \u00e9tudie comment la reconnaissance d’objets se d\u00e9roule dans l’intelligence artificielle et quelle proc\u00e9dure permet d’am\u00e9liorer durablement la qualit\u00e9 des r\u00e9sultats.<\/p>\n
Que se passe-t-il dans une IA ? Et comment faire la lumi\u00e8re sur la bo\u00eete noire qu’est l’IA pour la plupart des gens ? Antwi a voulu r\u00e9pondre \u00e0 ces questions dans son m\u00e9moire de ma\u00eetrise et a choisi le th\u00e8me de la reconnaissance d’images. Pour son \u00e9tude, il a utilis\u00e9 environ 10 000 images comme ensemble de donn\u00e9es pour l’entra\u00eenement du mod\u00e8le (YOLO), chacune montrant une variation de 12 objets diff\u00e9rents. Les objets provenaient d’un jeu de 81 cartes \u00e0 jouer pr\u00e9sentant des motifs diff\u00e9rents, ce qui a \u00e9galement permis de d\u00e9finir 81 classes pour la reconnaissance et la classification des r\u00e9sultats.<\/p>\n
Dans un premier temps, Antwi a dispos\u00e9 les cartes en une grille r\u00e9guli\u00e8re de quatre cartes en largeur et de trois cartes en longueur sur un fond sombre. Il a ensuite utilis\u00e9 un fond de couleur claire. Antwi a \u00e9galement effectu\u00e9 un test sur une table en bois. Le chercheur a \u00e9galement fait varier l’\u00e9clairage, ainsi que l’ordre des cartes, qui ont ensuite \u00e9t\u00e9 plac\u00e9es en partie les unes sur les autres ou en diagonale.<\/p>\n
Essentiellement, les variations propos\u00e9es dans les images de l’ensemble de donn\u00e9es devraient \u00eatre aussi larges que possible afin que, dans le meilleur des cas, toutes les \u00e9ventualit\u00e9s soient d\u00e9j\u00e0 prises en compte lors de la formation et que l’IA fonctionne de mani\u00e8re fiable dans la vie de tous les jours\u00a0\u00bb, explique M. Antwi. En effet, une IA ne peut reconna\u00eetre que ce qu’elle conna\u00eet d\u00e9j\u00e0. Cela vaut non seulement pour l’objet lui-m\u00eame, mais aussi pour tous les facteurs qui l’accompagnent. Contrairement \u00e0 l’homme, l’IA ne peut pas faire abstraction des connaissances de base, mais doit apprendre chaque \u00e9l\u00e9ment de connaissance s\u00e9par\u00e9ment.<\/p>\n
<\/p>\n
<\/p>\n
<\/p>\n
En fait, il faut essayer de se mettre \u00e0 la place de l’IA et se demander \u00e0 quoi je pense lorsque je reconnais l’objet et pourquoi je peux \u00e9chouer\u00a0\u00bb, explique M. Antwi \u00e0 propos de son approche, qui a permis d’am\u00e9liorer progressivement les performances de reconnaissance. L’essentiel \u00e9tait d’analyser quels objets n’\u00e9taient pas reconnus et pourquoi. Parmi les causes, citons les reflets de lumi\u00e8re, les faibles contrastes, les limites \u00e0 peine visibles entre les cartes individuelles ou un arri\u00e8re-plan \u00e0 motif dense qui a \u00e9t\u00e9 reconnu comme une autre carte. Antwi a identifi\u00e9 ces sources d’erreur et les a syst\u00e9matiquement r\u00e9entra\u00een\u00e9es pour que l’algorithme puisse les \u00e9liminer.<\/p>\n
Afin de comprendre exactement ce que l’IA a reconnu dans chaque cycle et o\u00f9 il y avait des lacunes dans ses performances de reconnaissance, Antwi a utilis\u00e9 un programme d\u00e9velopp\u00e9 par ses soins qui affichait les activit\u00e9s de l’IA sous la forme d’une carte thermique. Il en ressort que, m\u00eame au cours d’une m\u00eame session de formation, l’IA a trait\u00e9 des images identiques avec une intensit\u00e9 tr\u00e8s diff\u00e9rente, par exemple uniquement la zone centrale au cours d’une session et l’ensemble de l’image au cours d’une session ult\u00e9rieure.<\/p>\n
L’\u00e9tude montre qu’une IA apprend pas \u00e0 pas et que chaque cause d’erreur doit \u00eatre identifi\u00e9e et comprise afin de r\u00e9entra\u00eener syst\u00e9matiquement le mod\u00e8le avec un contenu correspondant. Un entra\u00eenement intensif est le seul moyen de garantir une d\u00e9tection fiable dans la pratique\u00a0\u00bb, conseille Antwi \u00e0 la suite de son observation. Le temps n\u00e9cessaire \u00e0 l’analyse d\u00e9taill\u00e9e des erreurs et \u00e0 l’entra\u00eenement cibl\u00e9 de d\u00e9tails sp\u00e9cifiques est rapidement rentabilis\u00e9 par une utilisation productive gr\u00e2ce \u00e0 la haute qualit\u00e9 des r\u00e9sultats.<\/p>\n
<\/p>\n
![\"Jede](\"https:\/\/www.charlyverse.com\/wp-content\/uploads\/2025\/05\/yolov8_performance_comparison_gideon-antwi.jpg\")
<\/p>\n
<\/p>\n
Image: innomatik AG\/Gideon Antwi<\/em><\/p>\n","protected":false},"excerpt":{"rendered":" La pr\u00e9cision est l’une des principales raisons pour lesquelles l’IA ne parvient pas \u00e0 reconna\u00eetre des objets. En effet, l’IA ne reconna\u00eet que ce qu’elle conna\u00eet d\u00e9j\u00e0. L’abstraction et la variation ne sont pas ses points forts. C’est l’une des conclusions du m\u00e9moire de ma\u00eetrise intitul\u00e9 \u00ab Interpreting YOLO : A Study on Explainability in […]<\/p>\n","protected":false},"author":5,"featured_media":1440,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"ocean_post_layout":"","ocean_both_sidebars_style":"","ocean_both_sidebars_content_width":0,"ocean_both_sidebars_sidebars_width":0,"ocean_sidebar":"0","ocean_second_sidebar":"0","ocean_disable_margins":"enable","ocean_add_body_class":"","ocean_shortcode_before_top_bar":"","ocean_shortcode_after_top_bar":"","ocean_shortcode_before_header":"","ocean_shortcode_after_header":"","ocean_has_shortcode":"","ocean_shortcode_after_title":"","ocean_shortcode_before_footer_widgets":"","ocean_shortcode_after_footer_widgets":"","ocean_shortcode_before_footer_bottom":"","ocean_shortcode_after_footer_bottom":"","ocean_display_top_bar":"default","ocean_display_header":"default","ocean_header_style":"","ocean_center_header_left_menu":"0","ocean_custom_header_template":"0","ocean_custom_logo":0,"ocean_custom_retina_logo":0,"ocean_custom_logo_max_width":0,"ocean_custom_logo_tablet_max_width":0,"ocean_custom_logo_mobile_max_width":0,"ocean_custom_logo_max_height":0,"ocean_custom_logo_tablet_max_height":0,"ocean_custom_logo_mobile_max_height":0,"ocean_header_custom_menu":"0","ocean_menu_typo_font_family":"0","ocean_menu_typo_font_subset":"","ocean_menu_typo_font_size":0,"ocean_menu_typo_font_size_tablet":0,"ocean_menu_typo_font_size_mobile":0,"ocean_menu_typo_font_size_unit":"px","ocean_menu_typo_font_weight":"","ocean_menu_typo_font_weight_tablet":"","ocean_menu_typo_font_weight_mobile":"","ocean_menu_typo_transform":"","ocean_menu_typo_transform_tablet":"","ocean_menu_typo_transform_mobile":"","ocean_menu_typo_line_height":0,"ocean_menu_typo_line_height_tablet":0,"ocean_menu_typo_line_height_mobile":0,"ocean_menu_typo_line_height_unit":"","ocean_menu_typo_spacing":0,"ocean_menu_typo_spacing_tablet":0,"ocean_menu_typo_spacing_mobile":0,"ocean_menu_typo_spacing_unit":"","ocean_menu_link_color":"","ocean_menu_link_color_hover":"","ocean_menu_link_color_active":"","ocean_menu_link_background":"","ocean_menu_link_hover_background":"","ocean_menu_link_active_background":"","ocean_menu_social_links_bg":"","ocean_menu_social_hover_links_bg":"","ocean_menu_social_links_color":"","ocean_menu_social_hover_links_color":"","ocean_disable_title":"default","ocean_disable_heading":"default","ocean_post_title":"","ocean_post_subheading":"","ocean_post_title_style":"","ocean_post_title_background_color":"","ocean_post_title_background":0,"ocean_post_title_bg_image_position":"","ocean_post_title_bg_image_attachment":"","ocean_post_title_bg_image_repeat":"","ocean_post_title_bg_image_size":"","ocean_post_title_height":0,"ocean_post_title_bg_overlay":0.5,"ocean_post_title_bg_overlay_color":"","ocean_disable_breadcrumbs":"default","ocean_breadcrumbs_color":"","ocean_breadcrumbs_separator_color":"","ocean_breadcrumbs_links_color":"","ocean_breadcrumbs_links_hover_color":"","ocean_display_footer_widgets":"default","ocean_display_footer_bottom":"default","ocean_custom_footer_template":"0","osh_disable_topbar_sticky":"default","osh_disable_header_sticky":"default","osh_sticky_header_style":"default","osh_sticky_header_effect":"","osh_custom_sticky_logo":0,"osh_custom_retina_sticky_logo":0,"osh_custom_sticky_logo_height":0,"osh_background_color":"","osh_links_color":"","osh_links_hover_color":"","osh_links_active_color":"","osh_links_bg_color":"","osh_links_hover_bg_color":"","osh_links_active_bg_color":"","osh_menu_social_links_color":"","osh_menu_social_hover_links_color":"","ocean_post_oembed":"","ocean_post_self_hosted_media":"","ocean_post_video_embed":"","ocean_link_format":"","ocean_link_format_target":"self","ocean_quote_format":"","ocean_quote_format_link":"post","ocean_gallery_link_images":"on","ocean_gallery_id":[],"footnotes":""},"categories":[111],"tags":[236,178],"class_list":["post-1620","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ia-robotique","tag-forschung-fr","tag-ki-fr","entry","has-media"],"yoast_head":"\n