Utiliser Google Lens pour trouver les chaises élégantes que vous venez de voir dans un café, déverrouiller le téléphone avec votre visage, les voitures autopilotées qui s’arrêtent à un feu rouge, taguer vos amis en ligne; rien de tout cela ne serait possible sans la reconnaissance d’images.
La reconnaissance d’images étant de plus en plus importante dans la vie quotidienne, nous souhaitons faire la lumière sur ce sujet.
Qu’est-ce que la reconnaissance d’images ?
La reconnaissance d’images est un type d’intelligence artificielle (IA) qui fait référence à la capacité d’un logiciel à reconnaître des lieux, des objets, des personnes, des actions, des animaux ou du texte à partir d’une image ou d’une vidéo.
4 Techniques de reconnaissance d’images
La reconnaissance d’images se compose de quatre techniques principales :
- La classification : L’objectif de la classification est d’identifier la catégorie dans laquelle une image spécifique s’inscrit.
- Balisage/identification : Il s’agit d’un type de classification, mais avec un niveau de précision plus élevé. Par exemple, plusieurs objets peuvent être marqués et identifiés dans une même image.
- Détection d’objets : La détection est utilisée pour localiser un objet particulier dans une image. Une fois l’objet détecté, une boîte de délimitation est placée autour de lui.
- Segmentation : Avec la segmentation, un élément d’une image peut être localisé jusqu’au pixel le plus proche.
Reconnaissance d’images Vs la vision par ordinateur et Cie
Avant de poursuivre, voyons brièvement la terminologie que vous pourriez rencontrer dans le contexte de la reconnaissance d’images par IA : vision par ordinateur, apprentissage automatique et apprentissage profond.
Vision par ordinateur
La vision par ordinateur est un ensemble de techniques qui permettent aux ordinateurs d’identifier des informations importantes à partir d’images, de vidéos ou d’autres entrées visuelles et de prendre des mesures automatisées sur cette base. En d’autres termes, il s’agit d’un processus consistant à former les ordinateurs à “voir” puis à “agir”. La reconnaissance d’images est une sous-catégorie de la vision par ordinateur.
Conseil : Les automatisations sont un excellent moyen de simplifier les flux de travail dans les entreprises de toutes tailles. Notre Guide de l'automatisation du marketing vous montrera comment faire.
Apprentissage automatique
L’apprentissage automatique est un sous-ensemble de l’IA qui s’efforce d’accomplir certaines tâches par des prédictions basées sur des entrées et des algorithmes. Par exemple, un système informatique entraîné avec un algorithme d’images de chats finirait par apprendre à identifier lui-même les photos de chats.
Conseil : vous voulez en savoir plus sur l'IA ? Vous pouvez lire notre présentation de 5 générateurs d'images par intelligence artificielle gratuits.
Apprentissage profond
L’apprentissage profond est une sous-catégorie de l’apprentissage automatique où les réseaux neuronaux artificiels (alias les algorithmes imitant notre cerveau) apprennent à partir de grandes quantités de données.
Réseaux neuronaux
Les réseaux neuronaux sont un type d’apprentissage automatique calqué sur le cerveau humain. Voici une vidéo sympa qui explique plus en profondeur ce que sont les réseaux neuronaux et comment ils fonctionnent.
Comment fonctionne la reconnaissance d’images ?
Comment fonctionne la reconnaissance d’images en quatre étapes.
- Étape 1 : Extraction des caractéristiques des pixels d’une image
- Étape 2 : Préparation d’images étiquetées pour entraîner le modèle
- Étape 3 : Entraînement du modèle à reconnaître les images
- Étape 4 : Reconnaissance de nouvelles images
Décomposons ces étapes.
Étape 1 : Extraction des caractéristiques des pixels d’une image
Dans la première étape de la reconnaissance d’images par l’IA, un grand nombre de caractéristiques (appelées traits) sont extraites d’une image. Une image est constituée de pixels auxquels est attribué un numéro ou un ensemble qui décrit sa profondeur de couleur.
Étape 2 : Préparation d’images étiquetées pour entraîner le modèle
Une fois l’image décomposée en milliers de caractéristiques individuelles, les composants sont étiquetés pour entraîner le modèle à les reconnaître.
La règle d’or : Plus il y a de composants étiquetés, plus le modèle peut être entraîné avec précision.
Étape 3 : Entraînement du modèle à reconnaître les images
L’entraînement réel du modèle a lieu au cours de cette étape. Les images sont insérées dans un réseau neuronal artificiel, qui agit comme un grand filtre. Les images extraites sont ensuite ajoutées à l’entrée et les étiquettes à la sortie.
L’objectif est d’entraîner les réseaux neuronaux de sorte qu’une image provenant de l’entrée corresponde à la bonne étiquette à la sortie.
Étape 4 : Reconnaissance de nouvelles images
Après l’entraînement, le modèle peut être utilisé pour reconnaître de nouvelles images inconnues. Toutefois, cela n’est possible que s’il a été entraîné avec suffisamment de données pour étiqueter correctement de nouvelles images par lui-même.
Avant de conclure, voyons comment la reconnaissance d’images est mise en pratique.
Exemples de reconnaissance d’images
De nombreuses industries ont déjà découvert les avantages et les possibilités de la reconnaissance d’images alimentée par l’IA, notamment :
- Le commerce électronique
- Finance
- Industrie automobile
Commerce électronique
Grâce aux logiciels de reconnaissance d’images, le commerce en ligne n’a jamais été aussi rapide et simple qu’aujourd’hui.
Par exemple, l’application mobile du détaillant de mode ASOS encourage les clients à prendre en photo les articles de mode souhaités lors de leurs déplacements ou à télécharger des captures d’écran à partir de toutes sortes de médias.
L’algorithme d’IA de l’application scanne ensuite l’image et montre aux clients des produits similaires disponibles dans la boutique ASOS.
Vous avez vu quelqu’un porter une tenue incroyable alors que vous sirotiez un café ? Pas de problème ! Prenez des photos et commencez à faire du shopping.
Finance
Dans le secteur financier, les banques utilisent de plus en plus la reconnaissance d’images pour vérifier l’identité de leurs clients, par exemple aux guichets automatiques pour les retraits d’argent ou les virements bancaires.
Certaines utilisent également la reconnaissance d’image pour s’assurer que seul le personnel autorisé a accès à certaines zones au sein des banques.
Industrie automobile
La conduite devient de plus en plus autonome. Les véhicules d’aujourd’hui sont équipés de technologies de reconnaissance d’images de pointe leur permettant de percevoir et d’analyser l’environnement (par exemple, les autres véhicules, les piétons, les cyclistes ou les panneaux de signalisation) en temps réel.
Grâce à la reconnaissance d’images alimentée par l’IA, les ingénieurs visent à minimiser l’erreur humaine, à prévenir les accidents de voiture et à contrer la perte de contrôle sur la route.
Reconnaissance d’images et marketing
Vous devriez maintenant avoir une meilleure idée de ce qu’implique la reconnaissance d’images et de son utilisation polyvalente dans la vie quotidienne. Dans le domaine du marketing, la technologie de reconnaissance d’images permet l’écoute visuelle, la pratique consistant à surveiller et à analyser les images en ligne.
Semblable à l’écoute sociale, l’écoute visuelle permet aux spécialistes du marketing de surveiller les mentions visuelles de la marque et d’autres entités importantes comme les logos, les objets et les personnes remarquables. Étant donné qu’une grande partie des conversations en ligne se font par le biais d’images, il s’agit d’un outil de marketing numérique crucial.
