Académique Documents
Professionnel Documents
Culture Documents
Le développement et le déploiement d'un modèle CNN est un processus complexe comportant trois
étapes : l'entraînement, l'optimisation et l'inférence.
La vision par ordinateur combine du matériel et des logiciels optimisés pour les opérations CNN afin
d'accélérer le traitement et l'analyse des images.
Les technologies de vision par ordinateur extraient des données des vidéos pour les utiliser dans des
secteurs tels que l'industrie, les soins de santé et l'administration.
L'écosystème de développement de l'IA d'Intel offre des ressources logicielles, des outils et du silicium
optimisés pour les opérations de CNN.
L'intelligence artificielle : le domaine de l'informatique axé sur les programmes informatiques intelligents
capables de sentir, de raisonner, d'agir et de s'adapter.
L'apprentissage par machine : un sous-ensemble de l'IA dans lequel les algorithmes peuvent améliorer
en performance au fil du temps lorsqu'ils sont mis en présence de plus de données.
Le réseau neuronal :une série d'algorithmes utilisés comme processus dans l'apprentissage par machine
qui peut reconnaître les signaux et des relations dans de grandes quantités de données. Les réseaux
neuronaux utilisent une structure logique inspirée du cerveau humain et constituent la base des
algorithmes pour le deep learning.
Le Deep learning : un sous-domaine de l'apprentissage par machine dans lequel les réseaux neuronaux
multicouches apprennent à partir de grandes quantités de données.
Pour mieux comprendre le fonctionnement des CNN, examinons un exemple de CNN utilisé pour l'analyse
vidéo, un processus dans lequel les modèles de vision par ordinateur basés sur les CNN analysent les vidéos
capturées et en extraient des informations exploitables. La vision par ordinateur est à la fois un sous-domaine du
deep learning et de l'apprentissage par machine qui combine des caméras, des ressources en périphérie ou
dans le cloud, des logiciels, du deep learning et des CNN pour former des réseaux neuronaux qui guident les
systèmes dans leur traitement et leur analyse d'images. Une fois complètement formés, les modèles de vision
par ordinateur peuvent effectuer la reconnaissance et la détection d'objets et même suivre le mouvement.
Pour cet exemple d'analyse vidéo, supposons que les données d'entrée sont un ensemble de millions d'images
de voitures.
Les couches convolutives appliquent des filtres aux données d'entrée et apprennent à détecter les
caractéristiques. En général, il y a plusieurs couches convolutives connectées via des couches de mise
en commun. Les premières couches convolutives extraient des caractéristiques générales ou de bas
niveau, telles que les lignes et les bords, tandis que les couches ultérieures apprennent des détails plus
fins ou des caractéristiques de haut niveau, telles que les phares ou les pneus d'une voiture.
Les couches de mise en commun diminuent la taille de la carte de caractéristiques convolutives afin de
réduire les coûts de calcul.
Les couches entièrement connectées apprennent des signaux globaux basés sur les caractéristiques de
haut niveau fournies par les couches convolutives et de mise en commun et génèrent les signaux globaux
pour les voitures. Une fois que les données d'entrée sont passées par la couche entièrement connectée,
la dernière couche active le modèle et le réseau neuronal émet ses prédictions.
Formation
La formation des réseaux neuronaux est généralement la partie la plus longue et la plus difficile de la création de
CNN pour le deep learning. Au cours de la phase d'apprentissage supervisé, les développeurs enseignent au
réseau comment accomplir une tâche spécifique, telle que la classification d'images. Il s'agit de rassembler un
vaste ensemble de données comprenant des milliers ou des millions d'images, d'alimenter le réseau avec ces
images et de permettre au réseau de prédire ce que l'image représente. Si la prédiction est erronée, les
neurones doivent être mis à jour avec la bonne réponse afin que les prédictions futures pour la même image
soient exactes. Ce processus se poursuit jusqu'à ce que le développeur soit satisfait de l'exactitude des
prédictions du réseau neuronal. Cependant, Intel a créé un kit d'outils pour raccourcir considérablement ce
processus : le kit d'outils du développeur Intel® oneAPI DL Frame. Il offre des blocs de construction déjà
optimisés pour rationaliser la conception, la formation et la validation des réseaux neuronaux.
Optimisation
De nombreux développeurs optimisent le réseau neuronal ignorant qu'il s'agit d'une étape du développement
appelée optimisation. Lorsqu'elle est effectuée correctement, l'optimisation peut simplifier considérablement le
modèle de réseau et améliorer les performances d'inférence. La distribution Intel® du kit d'outils OpenVINO™
permet aux développeurs de convertir et d'optimiser leurs modèles de réseaux neuronaux qui sont développés à
l'aide de cadres populaires tels que TensorFlow, PyTorch et Caffe. L'outil d'optimisation postformation contenu
dans le kit d'outils permet de réduire la taille du modèle tout en améliorant la latence avec une faible dégradation
de l'exactitude et sans recyclage.
Inférence
Une fois qu'un réseau neuronal a été formé et optimisé, il est déployé en tant que modèle pour effectuer des
inférences, c'est-à-dire classer, reconnaître et traiter de nouvelles entrées et faire de nouvelles prédictions.
Grâce à la distribution Intel® du kit d'outils OpenVINO™ Inference Engine, les développeurs peuvent optimiser
les performances en compilant le réseau optimisé et en gérant les opérations d'inférence sur des appareils
spécifiques. Il optimise également de manière automatique à travers la découverte d'appareils, l'équilibrage de la
charge et le parallélisme d'inférence sur les CPU, GPU et autres appareils matériels Intel®. Affichez les résultats
du banc d'essai des performances de la distribution Intel® du kit d'outils OpenVINO™.
Le Deep Learning et les CNN continueront à faire partie des outils d'IA les plus puissants pour les
développeurs et les entreprises à l'avenir.
La détection manuelle des défauts dans la fabrication industrielle est coûteuse, sujette à des erreurs humaines
et réalisée dans des environnements dangereux ou difficiles. Il est difficile de trouver des inspecteurs qualifiés
pour cette tâche. C'est pourquoi certains fabricants commencent à explorer l'utilisation des technologies de deep
learning, d'inférence, de vision artificielle et de vision par ordinateur pour automatiser la détection des défauts
sur les chaînes de montage.
Par exemple, le soudage à l'arc robotisé est essentiel à la fabrication moderne de machines lourdes, mais il est
sujet à des défauts tels que la porosité des soudures. Les soudures poreuses entraînent des faiblesses qui sont
difficiles à inspecter, et il peut être nécessaire de retravailler les soudures ou de mettre les matériaux au rebut.
Pour remédier à ce problème perpétuel, Intel a créé une solution de détection automatisée des défauts de
soudure basée sur le système de vision EOS d'ADLINK avec la pile logicielle IdO ADLINK Edge et le modèle de
reconnaissance d'action de la distribution Intel® du kit d'outils OpenVINO™. Au cœur de la solution se trouve un
modèle de reconnaissance des actions de l'IA basé sur un réseau neuronal et formés sur des soudures avec et
sans défauts de porosité. Il détecte les défauts de porosité en temps quasi réel, ce qui permet d'agir
immédiatement. L'utilisation de cette solution peut aider les fabricants à réduire les délais, le gaspillage et les
coûts tout en augmentant la productivité. 1
Sécurité des travailleurs : détection des EPI.
Dans les industries qui présentent un risque accru de blessures pour les employés, comme la construction, on
ne saurait trop insister sur l'importance pour les travailleurs de porter des équipements de protection individuelle
(EPI) - casques, chaussures spéciales, gilets, lunettes et harnais. Il est souvent difficile pour les superviseurs de
sites de vérifier la conformité des EPI. En formant un modèle de deep learning CNN pour la détection d'objets,
les développeurs peuvent permettre aux technologies de vision par ordinateur d'identifier et de déterminer si les
travailleurs respectent leurs obligations en matière d'EPI.
Le module SecurOS de détection de casque proposé par les systèmes de sécurité intelligents (ISS) aide les
entreprises à créer des espaces plus sûrs pour leurs travailleurs. Il utilise des algorithmes de réseaux
neuronaux, la distribution Intel® du kit d'outils OpenVINO™ et des technologies de vision par ordinateur pour
détecter si les travailleurs portent leur casque de protection ou leur casque de chantier. Si l'EPI n'est pas
détecté, la solution envoie des alertes en temps quasi réel pour informer les superviseurs de la non-conformité
d'un travailleur.
Assurer la sécurité des citoyens et des passagers est toujours une priorité pour les autorités municipales et les
responsables des transports publics.
La mise en œuvre de systèmes vidéo basés sur le deep learning peut fournir des niveaux de détails
supplémentaires qui sont susceptibles de faire passer la sécurité à un niveau supérieur. Par exemple, en gérant
le trafic dans les grandes villes à l'aide d'informations plus granulaires, les responsables des transports en
commun sont en mesure de suivre les camions transportant des matières dangereuses et de les détourner des
zones encombrées et à forte densité de population.
Une autre façon pour les villes intelligentes d'améliorer la sécurité publique, tout en augmentant la durabilité, est
de réduire les embouteillages. La grande métropole de Taipei, à Taïwan, a récemment mis en œuvre une
solution de contrôle de la circulation qui a permis de réduire les embouteillages de 10 à 15 %.2 La solution de
signalisation intelligente permet la collecte et l'inférence de données visuelles à la périphérie - à l'intérieur des
signaux de contrôle de la circulation - pour obtenir des informations en temps réel sur la circulation et contribuer
à réduire les coûts d'infrastructure. Optimisée avec la distribution Intel® du kit d'outils OpenVINO™, la solution
utilise un processeur Intel® Pentium® embarqué pour les charges de travail de vision industrielle. En outre,
parce que l'inférence a lieu dans les appareils de signalisation routière, moins d'infrastructure de réseau était
nécessaire, ce qui a permis au bureau d'ingénierie de la circulation de la ville de réduire les coûts de
communication du réseau de 85 pourcent.
Les acheteurs d'aujourd'hui ont de grandes attentes en matière de recherche et d'achat des produits qu'ils
désirent. Une gestion faible signifie des ventes perdues et des clients mécontents. Traditionnellement, la gestion
des stocks se fait manuellement, une tâche qui prend du temps et qui est sujette à l'erreur humaine.
L'automatisation de l'inspection des rayons avec une gestion en temps réel via l'IA et la vision par ordinateur
peut rendre la gestion des stocks plus rapide et plus précise.
Un fournisseur de solutions basé sur Intel utilise le deep learning et la vision par ordinateur pour sa solution
hybride de gestion des stocks de détail. La solution utilise des réseaux neuronaux profonds optimisés par la
distribution Intel® du kit d'outils OpenVINO™ et Intel® DevCloud pour la périphérie afin d'effectuer une détection
de produits au niveau SKU via des caméras fixes. L'inférence à Edge est gérée par un processeur évolutif Intel®
Xeon®, et un PC léger servant de passerelle. Grâce à la détection et aux notifications à la demande et en temps
quasi réel, la solution permet aux détaillants d'accélérer la gestion des stocks et de le réaliser avec une
granularité et une exactitude exceptionnelles.
L'analyse visuelle des scanners de tomographie et d'autres types d'imagerie médicale peut être une tâche
manuelle fastidieuse pour les radiologues, en particulier lorsque le volume de patients est élevé. L'application
d'algorithmes d'IA aux appareils d'imagerie peut aider à signaler les cas critiques et à les classer par ordre de
priorité pour les radiologues, ce qui pourrait accélérer le diagnostic, améliorer les résultats et réduire les coûts
des soins de santé. Le besoin d'une imagerie alimentée par l'IA n'a jamais été aussi évident qu'au début de la
pandémie de COVID-19. Dans les systèmes de santé, il y avait un besoin urgent d'outils de dépistage rapides et
efficaces, pour identifier les patients infectés, afin d'assurer leur isolement et leur traitement. Toutefois, les
professionnels de santé ont indiqué que les goulets d'étranglement les plus importants en matière de tri et de
diagnostic étaient dus à la rareté et au long délai de traitement des tests viraux. Pour aider les cliniciens à
détecter le COVID-19 chez les patients, DarwinAI a développé l'architecture CNN COVID-Net avec des
optimisations réalisées à l'aide de la distribution Intel® du kit d'outils OpenVINO™. Lorsque les développeurs de
DarwinAI ont testé l'architecture du modèle de réseau neuronal, ils ont obtenu un taux d'exactitude de 98,1 %
tout en ayant une complexité architecturale et informatique relativement faible.3 Cela a permis aux radiologues
de diagnostiquer un plus grand nombre de patients.
La distribution Intel® du kit d'outils OpenVINO™ pour l'optimisation et le déploiement des inférences d'IA.
Les kits à outils Intel® oneAPI pour un développement complet de l'IA.
La Edge AI Box pour les analyses vidéo est une pile logicielle destinée aux solutions de vision par
ordinateur et d'analyse vidéo de bout en bout.
La sandbox de développement d'Intel® DevCloud AI pour prototyper, tester et exécuter des charges de
travail d'IA.
Les processeurs Intel® IdO et embarqués pour un traitement rapide et fiable dans tous les
environnements d'IA.
Les GPU basés sur l'architecture Intel® Iris® Xe sont optimisés pour l'accélération de l'IA.
Les produits Intel® Vision Accelerator Design pour l'inférence de réseaux neuronaux profonds à faible
consommation d'énergie
L'Intel® Deep Learning Boost (Intel® DL Boost) pour accélérer les performances des charges de travail
d'IA et réduire le besoin d'accélérateurs personnalisés comme les GPU.
La mémoire persistante Intel® Optane™ pour accélérer les charges d'IA et améliorer les capacités
d'apprentissage par la machine.
Obtenez des modèles basés sur les CNN préoptimisés, préformés, et prêts pour l'inférence.
Télécharger
Frameworks d'IA
Trouvez les éléments de base pour l'architecture, la formation, la validation et le déploiement de modèles.
En savoir plus
Accédez aux outils et aux infrastructures basés sur Python pour accélérer les pipelines d'apprentissage
automatique de bout en bout.
Intel® DevCloud
Accédez à l'Intel® AI development sandbox pour tester et exécuter des charges de travail gratuitement.
Accédez
Découvrez un portefeuille complet d'outils d'IA pour la préparation des données, la formation, l'inférence, le
déploiement et la mise à l'échelle.
Accéder maintenant