TP : Apprentissage Supervisé

TP largement inspiré par les documents disponibles ici, et par la chaine youtube Machine Learnia.

Avant de commencer

L'objectif du TP est d'apprendre à l'ordinateur à reconnaitre un visage après apprentissage. Nous allons utiliser Python avec le logiciel Thonny, et plus spécifiquement certains modules liés à l'IA. Problème : certains de ces modules ne sont pas installés et sont particulièrement lourds à télécharger.

Donc avant de commencer, nous allons installer la totalité de nos besoins :

1. Ouvrir Thonny.
2. Dans le menu Outils, cliquer sur Ouvrir la console du système.
3. Taper la ligne suivante : pip install opencv-python opencv-contrib-python numpy dans la console, puis valider en appuyant sur Enter.
4. Pendant que les modules s'installent, téléchargez l'archive contenant les fichiers nécessaires à l'activité.
5. Cliquez droit sur le fichier Apprentissage_supervise.zip, puis :
   • dans le menu contextuel, sélectionnez 7-zip puis Extraire les fichiers...
   • dans le champ Extraire vers, sélectionnez votre dossier personnel Documents, puis cliquez sur OK.
   • Attendez que l'archive soit intégralement décompressée. Vous devriez avoir dans votre dossier Document un dossier Apprentissage_supervise contenant lui-même 4 fichiers et deux dossiers.

Notions d'apprentissage supervisé

Commençons par regarder cette vidéo.

L'apprentissage automatique supervisé est donc une branche de l'apprentissage machine (Machine Learning) dans laquelle, sous la supervision d'une intelligence humaine, la machine va apprendre à résoudre des problèmes de classification ou de régression, à partir d'un jeu de données bien construit.

Par exemple, on, pourrait fournir à l'IA une série de photos de pommes et d'oranges, avec pour chaque photo une étiquette portant le nom Pommeou Orange. On entraine l'IA à reconnaitre ces éléments, puis on lui fournit une photo ne provenant pas du jeu de données d'entrainement. L'IA, si l'entrainement a été efficace et que la photo n'est pas trop éloignée de celles du jeu de données d'entrainement, devrait alors fournir une l'étiquette correspondante :

Nous ne rentrerons pas dans les détails mathématiques de l'entrainement, d'une part parce qu'ils sont trop complexes pour le cours d'enseignement scientifique, et d'autre parce que je les maitrise moi-même très mal.

Cependant, on peut toujours préciser que nous avons tous participé à l'entrainement de nombreuses IA par apprentissage supervisé : chaque CAPTCHA que vous avez dû remplir pour accéder à un service web à pu être utilisé afin de constituer des jeux de données pour l'apprentissage supervisé.

Application : reconnaissance de visages

Utilisation de l'archive.

Dans le dossier Apprentissage_supervise, vous devriez trouver les fichiers et dossiers suivants :

• un dossier train contenant lui-même 7 sous-dossiers, chacun contenant une douzaine de photos d'une célébrité (réelle ou imaginaire).
• un dossier train contenant lui-même 7 sous-dossiers, chacun contenant quelques photos d'une célébrité (réelle ou imaginaire), **différentes de celles du dossier train.
• un fichier haar_face.xml, contenant des matrices numériques, qui est un classificateur au format xml indiquant la structure de données à rechercher dans une image, ici, des visages. Ce fichier a été créé à partir de la bibliothèque OpenCV (Open Computer Vision, initialement créée par Intel). On peut trouver ici d'autres classificateurs. Le classificateur que nous utiliserons travaillera uniquement sur des photos en nuances de gris.
• trois fichiers Python :
  • face_count.py est un script permettant de compter le nombre de visages repérés sur une photo ;
  • train.py est le fichier permettant d'entrainer l'IA à partir des données du dossier train ;
  • recognition.py est le fichier auquel on fournit une image du dossier val pour que l'IA tente de le classifier.

Première utilisation

1. Ouvrir le fichier train.py dans Thonny.

2. En ligne 4, on trouve l'instruction' suivante :

   people = ['ben_afflek', 'elton_john', 'jerry_seinfeld', 'madonna', 'mindy_kaling']
   

   Il s'agit des noms de dossiers (et donc des personnes) qu'on va parcourir pour effectuer notre premier entrainement. Cliquez sur la flèche verte, et attendez le message Saving done.

3. Ouvrez maintenant le fichier recognition.pydans Thonny.

4. En ligne 10, on trouve l'instruction suivante :

   img = cv.imread(r'val/ben_afflek/2.jpg')
   

   Il s'agit du chemin relatif vers la photo que nous allons fournir à l'IA pour qu'elle tente une reconnaissance. Exécutez le code en cliquant sur la flèche verte. Vous verrez apparaitre une photo en noir et blanc (celle sur laquelle travaille réellement l'IA), puis la photo en couleur sur laquelle un rectangle vert sera surmonté du nom de l'étiquette que l'IA a associé à la photo. Dans notre exemple, il s'agit d'un succès, avec une confiance de \(61%\).

5. Changez la photo en remplaçant en ligne 10 par 'val/ben_afflek/1.jpg'. L'IA est-elle efficace ?

6. Testez ensuite d'autres photos du dossier val.

Jeu de données alternatif

1. Dans le premier entrainement, nous n'avons pas utilisé les fichiers des dossiers dark_vador et han_solo situés dans le dossier train. Ajoutez-les en ligne 4 du fichier train.py.
2. Ré-entrainez l'IA.
3. Essayez de faire reconnaitre les images situées dans les sous-dossiers val\dark_vador et val\han_solo. Quel est le problème ?

Création d'un jeu de données

Vous avez maintenant la possibilité de modifier les codes des fichiers train.py et recognition.py pour entrainer l'IA à reconnaitre d'autres visages. À vous de constituer un nouveau jeu de données, soit à partir de vos propres photos, soit à partir de photos d'une star quelconque que vous téléchargerez directement sur le net.

Vous pouvez utiliser le fichier face_count.py pour tester si un visage est bien repéré sur les photos que vous utilisez.