Aperçu
Les transformateurs de vision (ViT) appliquent l'architecture de transformateur qui alimente ChatGPT aux images, traitant une image comme une séquence de patchs au lieu d'une grille de pixels. Ils ont prouvé qu’il n’est pas nécessaire d’effectuer des convolutions pour obtenir une reconnaissance d’image de pointe.
Vision Transformers appartient aux flux de travail de vision par ordinateur qui interprètent ou génèrent des médias visuels pour l'analyse, les opérations et la créativité.
Plongée profonde
Pendant des années, les réseaux de neurones convolutifs (CNN) ont dominé la vision par ordinateur en balayant de petits filtres sur une image. L'article de 2020 « Une image vaut 16 x 16 mots » de Google a contesté cela en découpant une image en patchs fixes, généralement de 16 x 16 pixels, en aplatissant chacun en un vecteur et en introduisant la séquence résultante dans un transformateur standard. Chaque patch devient un « jeton », un peu comme un mot dans une phrase. Le modèle utilise ensuite l'auto-attention afin que chaque patch puisse être directement lié à tous les autres patchs, capturant ainsi les relations à longue portée qu'un petit filtre convolutionnel ne peut pas voir en une seule étape. Le hic : les ViT sont gourmands en données car ils ne disposent pas des hypothèses intégrées des CNN. Formés sur d’énormes ensembles de données comme JFT-300M, ils ont égalé ou battu les meilleurs CNN, remodelant ainsi la recherche moderne sur la vision.
Aperçu technique
Un ViT divise une image en patchs qui ne se chevauchent pas, projette chacun d'eux de manière linéaire dans une intégration et ajoute des encodages de position afin que le modèle sache où se trouve chaque patch dans l'image d'origine. Un « jeton de classe » spécial pouvant être appris est ajouté au début ; sa représentation finale détermine la classification. Les couches d'auto-attention empilées permettent à chaque patch de peser les informations de tous les autres, donnant ainsi un champ de réception global à partir de la première couche. Étant donné que l’attention évolue quadratiquement avec le nombre de correctifs, les images haute résolution deviennent coûteuses. C’est pourquoi la taille des correctifs et les variantes d’attention efficaces sont importantes.
Maîtriser les transformateurs de vision
Les transformateurs de vision (ViT) appliquent l'architecture de transformateur qui alimente ChatGPT aux images, traitant une image comme une séquence de patchs au lieu d'une grille de pixels. Ils ont prouvé qu’il n’est pas nécessaire d’effectuer des convolutions pour obtenir une reconnaissance d’image de pointe. Vision Transformers appartient aux flux de travail de vision par ordinateur qui interprètent ou génèrent des médias visuels pour l'analyse, les opérations et la créativité. Pour développer une compréhension approfondie, traitez Vision Transformers comme un modèle opérationnel et non comme une fonctionnalité unique : définissez les résultats souhaités, clarifiez les hypothèses et séparez ce que le système peut faire de manière fiable de ce qui nécessite encore un jugement d'expert.
Dans la pratique, les équipes solides qui utilisent Vision Transformers équilibrent la précision avec les réalités opérationnelles telles que la qualité des données, la variation de l'éclairage et la cohérence de l'étiquetage. Ils documentent des critères de réussite explicites, testent par rapport à des données et des flux de travail réalistes et itèrent en fonction des modèles d'échec observés plutôt que des victoires de référence ponctuelles. C’est là que la compréhension théorique se transforme en capacité durable au niveau des produits, des politiques et des opérations.
L’IA visuelle peut automatiser les tâches d’inspection, de détection et de marquage à grande échelle. Dans le même temps, les droits à l’image et le consentement peuvent devenir des risques juridiques si la provenance n’est pas claire. L'approche la plus résiliente consiste à combiner vitesse d'expérimentation et discipline de gouvernance : exécuter des projets pilotes, capturer des preuves, publier des journaux de décision et mettre à jour en permanence les protections à mesure que le comportement du modèle, les attentes des utilisateurs et les exigences réglementaires évoluent.
Impact stratégique
L’IA visuelle peut automatiser les tâches d’inspection, de détection et de marquage à grande échelle.
L’IA visuelle peut automatiser les tâches d’inspection, de détection et de marquage à grande échelle. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Les équipes créatives peuvent prototyper des concepts plus rapidement avec moins de révisions manuelles.
Les équipes créatives peuvent prototyper des concepts plus rapidement avec moins de révisions manuelles. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Les opérations peuvent utiliser des signaux d’image et vidéo qui étaient auparavant difficiles à traiter.
Les opérations peuvent utiliser des signaux d’image et vidéo qui étaient auparavant difficiles à traiter. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Mise en œuvre dans le monde réel
Les systèmes de classification d'images et de classement de recherche de Google qui ont adopté les réseaux fédérateurs de transformateur après que ViT se soient révélés compétitifs avec les CNN
CLIP et d'autres modèles image-texte qui utilisent un ViT pour encoder des images afin que les photos et les légendes puissent être mises en correspondance dans un espace partagé
Recherche en imagerie médicale utilisant les ViT pour repérer des motifs sur l'ensemble d'un scan plutôt que uniquement sur des textures locales
Des piles de perceptions autonomes et robotiques qui combinent une attention de type ViT pour une compréhension de la scène dans tout le champ de vision
Modèles de mise en œuvre
Les transformateurs de vision en pratique
Les systèmes de classification d'images et de classement de recherche de Google qui ont adopté les réseaux fédérateurs de transformateur après ViT se sont révélés compétitifs par rapport aux CNN.
Les systèmes de classification d'images et de classement de recherche de Google qui ont adopté les squelettes de transformateur après ViT se sont révélés compétitifs par rapport aux CNN. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Les transformateurs de vision en pratique
CLIP et d'autres modèles d'image-texte qui utilisent un ViT pour encoder des images afin que les photos et les légendes puissent être mises en correspondance dans un espace partagé.
CLIP et d'autres modèles image-texte qui utilisent un ViT pour encoder les images afin que les photos et les légendes puissent être associées dans un espace partagé. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Les transformateurs de vision en pratique
Recherche en imagerie médicale utilisant les ViT pour repérer des motifs sur l'ensemble d'un scan plutôt que uniquement sur des textures locales.
Recherche en imagerie médicale utilisant les ViT pour repérer des modèles sur l'ensemble d'une analyse plutôt que uniquement sur des textures locales. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Les transformateurs de vision en pratique
Des piles de perceptions autonomes et robotiques qui combinent une attention de type ViT pour une compréhension de la scène sur tout le champ de vision.
Des piles de perceptions autonomes et robotiques qui combinent une attention de type ViT pour une compréhension de la scène dans tout le champ de vision. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Risques et garde-fous
Les droits à l’image et le consentement peuvent devenir des risques juridiques si la provenance n’est pas claire.
Les performances du modèle peuvent varier en fonction de l'éclairage, des données démographiques et des environnements.
Les faux positifs peuvent passer inaperçus si les seuils de confiance ne sont pas surveillés.
Feuille de route de mise en œuvre
Définissez des critères d’acceptation pour la précision, le rappel et les coûts d’erreur.
Définissez des critères d’acceptation pour la précision, le rappel et les coûts d’erreur. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Testez avec des données qui correspondent aux conditions de production réelles.
Testez avec des données qui correspondent aux conditions de production réelles. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Ajoutez un examen humain pour les prédictions peu fiables ou à fort impact.
Ajoutez un examen humain pour les prédictions peu fiables ou à fort impact. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Suivez la dérive du modèle et revalidez après les modifications de la caméra ou de l’ensemble de données.
Suivez la dérive du modèle et revalidez après les modifications de la caméra ou de l’ensemble de données. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.