Développer des solutions complexes, maintenant à la porté de tous.

Développer des solutions complexes

Des technologies en constantes évolutions

Les technologies évoluent très rapidement et permettent de développer des solutions de plus en plus sophistiquées avec des couts de développement et de mise en œuvre abordable pour beaucoup de PME et ETI. Prenons par exemple le Machine Learning, certaines de ses évolutions permettent une mise en œuvre dans un système embarquée tout en conservant les performances des algorithmes de départs.

Cette progression remarquable dans le domaine du machine learning, permet entre autres de résoudre/effectuer des taches réputées complexes de manière automatique (sans intervention humaine). Nous éviterons d’entrer dans les détails du machine learning, ses variantes et l’ensemble de ses possibilités. Le sujet est vaste et nécessiterais un livre entier. Nous donnons ici juste un exemple pour montrer que l’IA est maintenant abordable, exploitable et permet de développer en un temps record de nouvelles applications comme par exemple le comptage de voiture sur un parking.

Des systèmes de détection d'objets améliorés

Dans le domaine de la détection d’objet, une des avancées récentes est l’évolution de l’architecture de « Scaled-YOLO » version 4. Le diagramme ci-contre montre l’évolution impressionnante de la solution, avec une précision moyenne 55 % (unité utilisée pour comparer les performances des différentes solutions) tout cela avec une vitesse d’exécution compétitive. Ce qui fait de Scaled-YOLOv4 la solution la plus performante existant à ce jour.

Cette progression s’explique d’une part par l’architecture adaptée au GPU du model YOLOv4 séparée en trois parties (impliquant beaucoup d’ingénierie) : backbone, neck, head. Couplé avec l’utilisation de méthode d’entraînement avancées (ex : Bag-of-Freebies et Bag-of-Specials).

Par exemple un model Scaled-YOLOv4 entraîné sur la base de données « MS COCO » est capable d’effectuer de la détection d’objet sur une grande variété d’images.

Démonstration de détection

Par exemple, le passage de l’image ci-dessous dans le réseau de neurones Scaled-YOLOv4 donne le résultat suivant :

Les technologies de machine learning deviennent de plus en plus performantes et permettent ainsi d’apporter des solutions pragmatiques et efficaces aux problèmes de l’industrie.

Par ailleurs, il est assez fréquent que les chercheurs à l’origine de l’avancée technologique fournissent (en plus du papier de recherche) les paramètres du modèle (les paramètres étant le résultat de l’apprentissage automatique). Ceci qui nous évite de devoir louer de la puissance de calcul (pour retrouver les paramètres) pendant plusieurs jours / semaines et nous permet d’affiner la solution dans des délais plus bref avec moins de puissance de calcul.

De plus certains modèles comme YOLOv4 sont potentiellement intégrables dans une application de gestion de parking sans avoir recourt à l’utilisation d’un datacenter pour effectuer les calculs. Ce qui a pour conséquence de laisser possible l’utilisation de cette technologie dans un contexte embarquée.

Notre entreprise vous accompagne

IE-Concept, bureau d’études en électronique, se donne aussi pour mission de pratiquer une veille technologique sur l’état de l’art des méthodes d’apprentissage machine. Ceci nous permet de développer rapidement une solution adaptée a un problème réputé complexe.

Vous souhaitez faire évaluer votre projet et en savoir plus sur nos capacités, n’hésitez pas à prendre contact. Nous aurons plaisir à vous donner plus de détails sur les capacités du Machine Learning en environnement embarqué.