Quel est le modèle de segmentation Meta Anything AI et pourquoi devriez-vous vous en soucier?

Lorsque l’on pense à l’IA, nous pensons désormais surtout aux chatbots tels que ChatGPT, qui ont fait beaucoup de bruit l’année dernière avec leur contenu généré automatiquement. Cependant, l’IA ne consiste pas seulement à écrire des histoires et à compiler des informations provenant de différentes sources. Le nouveau modèle Segment Anything Model (SAM) de Meta AI pourrait être une avancée révolutionnaire dans la façon dont les ordinateurs voient et traitent les images. Le nouveau modèle promet d’être une avancée majeure en matière de segmentation d’image, ce qui aura probablement un impact sur les technologies commerciales telles que la RV et aidera les scientifiques dans leurs recherches. Commençons d’abord par examiner le nouveau modèle Segment Anything. L’un des éléments les plus cruciaux à prendre en compte lors du développement de la vision informatique – la façon dont les ordinateurs peuvent traiter et analyser les données visuelles afin de les catégoriser ou d’extraire des informations – est la segmentation. La segmentation signifie essentiellement la capacité d’un ordinateur de prendre une image et de la diviser en éléments fonctionnels, tels que la distinction entre le fond et le premier plan, la reconnaissance des personnes individuelles sur l’image, ou la séparation de la seule partie de l’image où se trouve une veste. Le modèle Segment Anything Model de Meta est en fait un ensemble de nouvelles tâches, de jeux de données et de modèles qui fonctionnent ensemble pour permettre une méthode de segmentation beaucoup plus efficace. Le modèle Segment Anything Model présente le jeu de données de segmentation le plus exhaustif à ce jour (appelé le jeu de données Segment Anything 1-Billion mask). Le SAM de Meta est un modèle de segmentation d’image qui peut répondre aux demandes ou aux clics des utilisateurs pour sélectionner des objets dans l’image qu’ils ont choisie, ce qui le rend extrêmement puissant et facile à utiliser. Intéressant, Meta a également annoncé que le modèle SAM et le jeu de données seront disponibles pour les chercheurs sous une licence Apache 2.0 ouverte. Vous pouvez déjà essayer la démo de ce modèle sur le site Web de Meta. Elle met en avant trois fonctionnalités du modèle : sélectionner un objet avec un clic de souris, créer un objet sémantique dans une boîte choisie d’une image, ou segmenter tous les objets de l’image. Segment Anything Model n’est certainement pas la première solution de segmentation d’image, alors pourquoi est-ce une si grande affaire ? La différence entre ces anciens modèles et l’approche de Meta réside dans la manière dont ils sont entraînés. Jusqu’à présent, il y a eu deux principales approches de ce problème : d’une part, il a été entraîné sur un immense jeu de données de plus d’un milliard de masques issus de 11 millions d’images. D’autre part, il peut également reconnaître et segmenter des catégories d’objets qu’il n’a pas été entraîné, grâce à la capacité de généraliser son entraînement et de l’appliquer en dehors de son domaine d’expertise. En outre, SAM est un modèle promouvable qui segmente en fonction des entrées de l’utilisateur. Cela signifie qu’il peut être facilement utilisé dans diverses situations, ce qui le rend facile à mettre en œuvre et à modifier en fonction des besoins d’une tâche spécifique. En général, l’une des plus grandes forces du modèle Segment Anything Model récemment développé par Meta est sa personnalisation. En raison de sa nature généralisée – il peut segmenter même les objets qu’il n’a pas été entraîné – il est (relativement) extrêmement facile de personnaliser ce modèle et de l’implémenter dans divers cas d’utilisation. La segmentation d’image est cruciale pour toutes les tâches basées sur l’IA et l’apprentissage automatique qui concernent les images, car c’est une façon pour ces modèles de reconnaître et d’analyser les visuels. Par conséquent, avoir un modèle généralisé qui ne nécessite pas d’entraînement spécialisé pour chaque scénario, ou du moins extrêmement, réduit le temps et les ressources nécessaires. Meta affirme que c’est une avancée importante vers la démocratisation de l’IA, ce qui rend possible l’utilisation de la vision informatique même avec des budgets et des délais limités. Comme les modèles de segmentation sont un élément crucial de toute l’IA, les efforts de Meta peuvent avoir un impact important sur de nombreux secteurs. L’un des plus évidents est la réalité virtuelle/augmentée, qui utilise des modèles de segmentation pour reconnaître ce que les utilisateurs regardent et intégrer ces demandes dans les applications