VisionLabs a trouvé un moyen d'entraîner des modèles de CV avec 50 images sans programmation

VisionLabs (filiale de MWS AI) a publié la première partie d'une série technique sur le développement de Luna Line. Anastasia Belozerova, cheffe d'équipe du groupe de recherche, fournit un compte rendu détaillé de la manière dont les ingénieurs ont cherché une « recette universelle » pour entraîner des modèles de classification — et ce qui en a résulté.

Plateforme pour Non-Spécialistes

Luna Line est une plateforme no-code de vision par ordinateur créée par VisionLabs pour les utilisateurs sans compétences en programmation. Un agronome, un technologue de production, un inspecteur qualité ou un spécialiste de la logistique peut étiqueter un ensemble d'images, appuyer sur un bouton — et obtenir un modèle CV entraîné et prêt pour sa tâche spécifique.

Une exigence fondamentale pour le produit : il doit fonctionner avec de très petits ensembles de données. L'équipe vise un scénario à partir de 50 images — c'est une contrainte réelle pour la plupart des entreprises de fabrication qui manquent du temps et des spécialistes pour étiqueter des milliers d'exemples. C'est précisément cette contrainte qui définit toute la complexité du défi technique : les recettes standards provenant de jeux de données académiques ne fonctionnent pas ici.

Recherche d'une Recette Universelle

La tâche que l'équipe s'est fixée est ambitieuse : trouver une seule configuration d'entraînement qui fournisse régulièrement une bonne qualité sur un ensemble de données de classification arbitraire. Si une telle recette existe, la plateforme peut fonctionner comme une « boîte noire » — l'utilisateur apporte les données, le système configure tout le reste automatiquement.

Pour vérifier les hypothèses, une méthodologie expérimentale rigoureuse a été construite :

• Hypothèse — une configuration spécifique est formulée : architecture backbone, augmentations, learning rate schedule, optimiseur
• Test — la configuration s'exécute sur plusieurs ensembles de données de nature, taille et domaine différents
• Comparaison — les résultats sont comparés avec les lignes de base et les hypothèses précédentes
• Décision — la configuration est acceptée comme « universelle » ou rejetée selon l'analyse

Cette approche permet un mouvement systématique plutôt que des essais aléatoires, et rétrécit progressivement l'espace de recherche vers des solutions réellement efficaces.

Pourquoi la Méthodologie a Changé

L'une des conclusions clés de la série s'est avérée inattendue : les configurations qui ont montré les meilleures performances pour les tâches de classification ne se sont pas transférées automatiquement à la segmentation. En changeant de classe de tâche, l'équipe a découvert que certaines décisions précédemment acceptées devaient être reconsidérées à partir de zéro.

"Je vais partager quelles hypothèses nous avons proposées, comment nous les avons testées et pourquoi nous avons révisé la méthodologie expérimentale en passant d'une tâche à une autre," — annonce

Belozerova.

Cela a conduit à la conclusion qu'une recette universelle n'existe que dans une seule classe de tâche. Il n'y a pas de transfert direct entre les tâches — mais il y a quelque chose de précieux : la méthodologie elle-même s'est avérée transférable. Elle peut être appliquée à la segmentation et à la détection, en commençant chaque fois une nouvelle « branche » expérimentale, mais avec un processus de vérification d'hypothèses correctement structuré. La deuxième partie de la série, consacrée à la segmentation, sera publiée ultérieurement.

Ce Que Cela Signifie

VisionLabs démontre une rare ouverture d'ingénierie pour le marché du ML russe : l'entreprise publie non pas des thèses marketing, mais des chroniques honnêtes d'expériences avec des résultats négatifs et des hypothèses révisées. Pour les spécialistes construisant leurs propres pipelines MLOps ou des outils no-code, c'est une référence pratique précieuse — en particulier en ce qui concerne le travail avec de petits ensembles de données, où les benchmarks académiques sont presque inutiles.