Apprendre avec très peu de données : le Few-Shot Learning

janvier 6, 2026

Accélérez vos projets de vision et d’inspection en tirant parti de modèles pré-entraînés capables de généraliser à partir de quelques exemples — idéal lorsque les défauts sont rares ou coûteux à annoter.

En un coup d’œil

Utilise des modèles pré-entraînés (ex. ViT, ResNet) pour extraire des représentations.
Classe via des prototypes (moyenne par classe) ou k-NN/LogReg à partir d’un petit support set.
Idéal pour démarrer vite, compléter ensuite par un affinement ciblé.
10x moins de données nécessaires*
Semaines au lieu de mois pour un PDC

*Ordre de grandeur indicatif selon la complexité des défauts et la variabilité des lots.

Définition du Few-Shot Learning

Le Few-Shot Learning (FSL) est une approche d’apprentissage automatique qui vise à généraliser à partir de très peu d’exemples étiquetés. Contrairement aux méthodes classiques qui nécessitent des milliers d’images pour atteindre des performances stables, le FSL permet d’apprendre efficacement à partir de quelques dizaines, voire de quelques unités seulement.

L’idée s’inspire de la capacité humaine : un enfant peut reconnaître un nouvel objet après en avoir vu un ou deux exemples. En FSL, on s’appuie sur un encodeur pré-entraîné (ex. ViT, ResNet) qui transforme les images en embeddings. Ensuite, un petit ensemble d’images de référence (le support set) sert à définir une règle de décision qui pourra être appliquée sur de nouvelles données (les requêtes).

Trois familles dominent :

Prototypes : moyenne des embeddings par classe, puis attribution par proximité (distance cosinus ou euclidienne).
k-plus-proches voisins (k-NN) : comparaison directe des requêtes avec les exemples support, décision par vote majoritaire ou pondéré.
Perceptron multicouche (MLP) : une petite tête de réseau de neurones entraînée rapidement sur les embeddings pour capturer des frontières non linéaires.

Le résultat : des systèmes qui démarrent vite, s’adaptent aux évolutions (nouvelles classes, nouveaux produits) et réduisent drastiquement les coûts de collecte et d’annotation. Ces approches sont particulièrement adaptées à l’industrie, où les défauts sont rares, mais où leur détection rapide est critique.

Bonnes pratiques

Équilibrer le support set (même nombre d’exemples « bon » et « défectueux »).
Normaliser les embeddings (L2) pour plus de stabilité numérique.
Mettre à jour les prototypes par lot, saison ou changement de matière.
Suivre plusieurs métriques (AUROC, F1, précision) pour un diagnostic complet.
Compléter le FSL par un fine-tuning ciblé si nécessaire.

Avantages

Moins de données, démarrage rapide.
Ajout de nouvelles classes sans ré-entraînement complet.
Peu coûteux en calcul, bon pour l’edge.
Excellent time-to-value pour des défauts rares.

Inconvénients

Dépendance à la qualité des exemples de support.
Moins robuste si la variabilité est extrême.
Nécessite une bonne stratégie d’échantillonnage.

Limitations

Peut nécessiter un affinement (fine-tuning) sur des cas difficiles.
Moins adapté si les classes changent radicalement sur le terrain.

Exemples d’utilisations

Inspection visuelle

Détection de défauts (cuir, textile, carreaux, pièces usinées). Quelques images « bon » / « défectueux » suffisent pour lancer une PDC et mesurer AUROC/F1.

Tri & triage assisté

Aiguillage des non-conformités vers l’opérateur avec carte de chaleur ou patchs à risque. Réduction du faux rejet en amont.

Maintenance visuelle

Surveillance de surfaces (rouleaux, convoyeurs, soudures) avec apprentissage incrémental quand un nouveau type d’usure apparaît.

Contrôle en bord de ligne

Déploiement léger sur caméra industrielle embarquée ; décision en quelques millisecondes avec embeddings normalisés.

Exemples concrets d’applications faits au CRVI

Au CRVI, nous appliquons le Few-Shot Learning sur des cas industriels où les défauts sont rares mais critiques à détecter. Ces projets couvrent l’inspection visuelle, la robotique et le tri qualité, avec des contraintes fortes de rapidité et de fiabilité.

Inspection de surface

Sur cuir et textile : en combinant Prototypes et MLP (embeddings ViT), nos PDC internes ont atteint un F1-score > 85 % sur des défauts rares avec moins de 30 images par classe.

Vision robotisée

Guidage et inspection de pièces usinées : AUROC > 0,90 avec un support set réduit (5-10 images par classe) grâce aux Prototypes et au MLP.

Triage des non-conformités

Aiguillage opérateur en bord de ligne avec k-NN pour le diagnostic rapide ; baisse des faux rejets grâce à des seuils adaptés par famille de produits.

Modèle	Nombre d’images support	AUROC	F1-score
Prototypes	5–10	> 0,90	~ 80 %
MLP	10–30	> 0,92	> 85 %
k-NN	Variable	~ 0,88	~ 78 %

Contexte : dans l’industrie, un défaut manqué peut générer des coûts élevés, mais trop de faux rejets augmentent aussi les pertes. Les métriques choisies reflètent cet équilibre.

AUROC (Area Under ROC Curve) : mesure la capacité globale du modèle à séparer les classes. Utile quand il existe un fort déséquilibre entre bons et défectueux.
F1-score : moyenne harmonique entre précision et rappel, pertinente quand les classes minoritaires (défauts) sont critiques.
Précision / rappel : suivis en interne pour ajuster les seuils selon la tolérance aux faux positifs ou faux négatifs.

Notes : les valeurs exactes varient selon la famille de produits et la qualité des images. Les résultats ci-dessus sont issus d’expérimentations internes CRVI avec embeddings ViT et jeux réduits de données.

Comment le CRVI peut vous aider à utiliser ce framework

Parcours d’accompagnement