Tout ce qu’il faut savoir sur les tâches de vision par ordinateur
Découvre comment fonctionnent les tâches de vision par ordinateur comme le suivi d’objets, la segmentation d’instances et la classification d’images, et comment Ultralytics YOLO11 les prend en charge.
Grâce aux caméras et aux avancées de l’intelligence artificielle (IA), les ordinateurs et les machines peuvent désormais voir le monde d’une manière similaire aux humains. Par exemple, ils peuvent reconnaître des personnes, suivre des objets et même comprendre le contexte de ce qui se passe dans une vidéo.
Plus précisément, la vision par ordinateur est la branche de l’IA qui permet aux machines de comprendre et d’interpréter les informations visuelles du monde qui les entoure. La vision par ordinateur comprend diverses tâches, chacune étant conçue pour extraire un type précis d’informations à partir d’images ou de vidéos. Par exemple, la détection d’objets aide à identifier et à localiser différents éléments dans une image, tandis que d’autres tâches comme le suivi, la segmentation et l’estimation de pose aident les machines à comprendre plus précisément les mouvements, les formes et les positions.
La tâche de vision par ordinateur utilisée pour une application donnée dépend du type d’informations dont tu as besoin. Les modèles de vision par ordinateur comme Ultralytics YOLO11 prennent en charge diverses tâches de vision par ordinateur, ce qui en fait un choix fiable pour créer des systèmes de Vision AI destinés à des applications concrètes.
Dans ce guide, nous allons examiner de plus près les tâches de vision par ordinateur prises en charge par des modèles comme YOLO11. Nous verrons comment fonctionne chaque tâche et comment elle est utilisée dans différents secteurs. Commençons !
Que sont les tâches de vision par ordinateur ?#
Les tâches de vision par ordinateur cherchent à reproduire les capacités de la vision humaine de différentes manières. Elles peuvent aider les machines à détecter des objets, à suivre leurs mouvements, à estimer des poses et même à délimiter des éléments individuels dans des images et des vidéos. Généralement, les tâches de vision par ordinateur sont rendues possibles par des modèles qui décomposent les données visuelles en éléments plus petits afin de mieux interpréter ce qui se passe.
Les modèles de Vision AI comme les modèles Ultralytics YOLO prennent en charge plusieurs tâches, telles que la détection, le suivi et la segmentation, au sein d’un même framework. Grâce à cette polyvalence, les modèles YOLO11 sont faciles à adopter pour une grande variété de cas d’usage.
Fig. 1. Tâches de vision par ordinateur prises en charge par Ultralytics YOLO11.
L’analyse sportive en est un bon exemple. YOLO11 peut être utilisé pour détecter chaque joueur sur le terrain grâce à la détection d’objets, puis les suivre pendant tout le match grâce au suivi d’objets. Par ailleurs, les capacités d’estimation de pose de YOLO11 peuvent aider à analyser les mouvements et les techniques des joueurs, tandis que la segmentation d’instances peut séparer chaque joueur de l’arrière-plan, ce qui améliore la précision de l’analyse.
Ensemble, ces tâches de vision par ordinateur prises en charge par YOLO11 donnent une image complète de ce qui se passe pendant le match et fournissent aux équipes des informations plus approfondies sur les performances des joueurs, les tactiques et la stratégie globale.
Présentation des tâches de vision par ordinateur prises en charge par Ultralytics YOLO11#
Maintenant que nous avons vu ce que sont les tâches de vision par ordinateur, examinons plus en détail chacune de celles prises en charge par YOLO11, à l’aide d’exemples concrets.
Prise en charge de la classification d’images par Ultralytics YOLO11#
Quand tu regardes une photo, tu peux généralement déterminer facilement si elle montre un chien, une montagne ou un panneau de signalisation, car nous avons tous appris à quoi ressemblent habituellement ces éléments. La classification d’images aide les machines à faire de même en leur apprenant à classer et à étiqueter une image en fonction de son objet principal, qu’il s’agisse d’une « voiture », d’une « banane » ou d’une « radiographie avec fracture ». Cette étiquette aide les systèmes de vision par ordinateur à comprendre le contenu visuel afin de pouvoir réagir ou prendre des décisions en conséquence.
La surveillance de la faune est une application intéressante de cette tâche de vision par ordinateur. La classification d’images peut servir à identifier différentes espèces animales à partir de photos prises dans la nature. En étiquetant automatiquement les images, les chercheurs peuvent suivre les populations, surveiller les schémas migratoires et identifier plus facilement les espèces menacées afin de soutenir les efforts de conservation.
Fig. 2. Exemple d’utilisation de YOLO11 pour la classification d’images.
Capacités de détection d’objets d’Ultralytics YOLO11#
Bien que la classification d’images soit utile pour obtenir une vue d’ensemble du contenu d’une image, elle n’attribue qu’une seule étiquette à l’image entière. Lorsque des informations détaillées sont nécessaires, comme l’emplacement précis et l’identité de plusieurs objets, la détection d’objets devient essentielle.
La détection d’objets consiste à identifier et à localiser des objets individuels dans une image, souvent en dessinant des cadres englobants autour d’eux. Ultralytics YOLO11 est particulièrement performant pour la détection d’objets en temps réel, ce qui le rend idéal pour un large éventail d’applications.
Prenons l’exemple des solutions de vision par ordinateur utilisées dans les magasins pour approvisionner les rayons. La détection d’objets peut aider à compter les fruits, les légumes et les autres articles afin de garantir un inventaire précis. Dans les champs agricoles, la même technologie peut surveiller la maturité des cultures pour aider les agriculteurs à déterminer le meilleur moment pour récolter, en distinguant même les produits mûrs des produits non mûrs.
Fig. 3. Détection de fruits avec Ultralytics YOLO11.
Utiliser YOLO11 pour la segmentation d’instances#
La détection d’objets utilise des cadres englobants pour identifier et localiser les objets dans une image, mais elle ne capture pas leur forme exacte. C’est là qu’intervient la segmentation d’instances. Au lieu de dessiner un cadre autour d’un objet, la segmentation d’instances en suit précisément le contour.
Tu peux voir les choses ainsi : au lieu d’indiquer simplement « il y a une pomme dans cette zone », elle délimite soigneusement la forme exacte de la pomme et la remplit. Ce processus détaillé aide les systèmes d’IA à comprendre clairement les limites d’un objet, en particulier lorsque les objets sont proches les uns des autres.
La segmentation d’instances peut être appliquée à de nombreuses applications, des inspections d’infrastructures aux relevés géologiques. Par exemple, les données issues de relevés géologiques peuvent être analysées avec YOLO11 afin de segmenter les fissures ou les anomalies de surface, grandes ou petites. En traçant des limites précises autour de ces anomalies, les ingénieurs peuvent localiser les problèmes et les résoudre avant le début d’un projet.
Fig. 4. Segmentation de fissures avec YOLO11.
Suivi d’objets : suivre les objets d’une image à l’autre avec YOLO11#
Jusqu’à présent, les tâches de vision par ordinateur que nous avons examinées se concentrent sur le contenu d’une seule image. Cependant, pour les vidéos, nous avons besoin d’informations qui vont au-delà d’une seule image. La tâche de suivi d’objets peut être utilisée à cette fin.
La capacité de suivi d’objets de YOLO11 peut suivre un objet précis, comme une personne ou une voiture, lorsqu’il se déplace d’une image vidéo à l’autre. Même si l’angle de la caméra change ou que d’autres objets apparaissent, le système continue de suivre la même cible.
Cela est essentiel pour les applications qui nécessitent une surveillance dans le temps, comme le suivi des voitures dans la circulation. En fait, YOLO11 peut suivre les véhicules avec précision, en suivant chaque voiture pour aider à estimer sa vitesse en temps réel. Le suivi d’objets est ainsi un composant essentiel des systèmes de surveillance du trafic.
Fig. 5. La prise en charge du suivi d’objets par YOLO11 peut être utilisée pour l’estimation de la vitesse.
Détection de cadres englobants orientés (OBB) avec YOLO11#
Les objets du monde réel ne sont pas toujours parfaitement alignés : ils peuvent être inclinés, placés sur le côté ou positionnés selon des angles inhabituels. Par exemple, sur les images satellites, les navires et les bâtiments apparaissent souvent tournés.
Les méthodes traditionnelles de détection d’objets utilisent des cadres rectangulaires fixes qui ne s’adaptent pas à l’orientation d’un objet, ce qui rend difficile la capture précise de ces formes tournées. La détection par cadres englobants orientés (OBB) résout ce problème en utilisant des cadres qui pivotent pour s’ajuster étroitement autour d’un objet et s’aligner sur son angle, permettant ainsi une détection plus précise.
Pour la surveillance des ports, la prise en charge de la détection OBB par YOLO11 peut aider à identifier et à suivre précisément les navires quelle que soit leur orientation, afin que chaque navire entrant dans le port ou en sortant soit correctement surveillé. Cette détection précise fournit en temps réel des informations sur la position et les mouvements des navires, ce qui est essentiel pour gérer les ports très fréquentés et éviter les collisions.
Fig. 6. Détection de bateaux avec la détection OBB et YOLO11.
Estimation de pose et YOLO11 : suivi des points clés#
L’estimation de pose est une technique de vision par ordinateur qui suit des points clés, comme les articulations, les membres ou d’autres repères, afin de comprendre comment un objet se déplace. Au lieu de traiter un objet ou un corps entier comme une seule unité, cette méthode le décompose en éléments clés. Cela permet d’analyser en détail les mouvements, les gestes et les interactions.
L’estimation de la pose humaine est une application courante de cette technologie. En suivant en temps réel la position de différentes parties du corps, elle donne une image claire des mouvements d’une personne. Ces informations peuvent servir à diverses fins, de la reconnaissance des gestes et de la surveillance des activités à l’analyse des performances sportives.
De même, dans le cadre de la rééducation physique, les thérapeutes peuvent utiliser l’estimation de la pose humaine et YOLO11 pour surveiller les mouvements des patients pendant les exercices. Cela permet de s’assurer que chaque mouvement est effectué correctement tout en suivant les progrès au fil du temps.
Fig. 7. YOLO11 peut surveiller un entraînement grâce à l’estimation de pose.
Découvrir comment YOLO11 prend en charge différentes tâches de vision par ordinateur#
Maintenant que nous avons examiné en détail toutes les tâches de vision par ordinateur prises en charge par YOLO11, voyons comment YOLO11 les prend en charge.
YOLO11 n’est pas un modèle unique : c’est une suite de variantes de modèles spécialisées, chacune conçue pour une tâche de vision par ordinateur précise. Cela fait de YOLO11 un outil polyvalent qui peut être adapté à un large éventail d’applications. Tu peux également affiner ces modèles sur des jeux de données personnalisés afin de relever les défis propres à tes projets.
Voici les variantes des modèles YOLO11 préentraînées pour des tâches de vision spécifiques :
- YOLO11 : ce modèle détecte et étiquette plusieurs objets en temps réel, ce qui le rend idéal pour la reconnaissance visuelle à grande vitesse.
- YOLO11-seg : cette variante se concentre sur la segmentation en utilisant des masques détaillés pour séparer les objets de leur arrière-plan.
- YOLO11-obb : ce modèle est conçu pour détecter les objets tournés en dessinant des cadres englobants alignés sur l’orientation de chaque objet.
- YOLO11-cls : cette variante classe les images en leur attribuant une seule étiquette de catégorie en fonction de leur contenu global.
- YOLO11-pose : ce modèle estime les points clés du corps pour suivre la posture, la position des membres et les mouvements.
Chaque variante est disponible dans différentes tailles, ce qui permet de choisir le bon compromis entre vitesse et précision selon tes besoins spécifiques.
Points clés à retenir#
Les tâches de vision par ordinateur changent la manière dont les machines comprennent le monde et interagissent avec lui. En décomposant les images et les vidéos en éléments clés, ces technologies facilitent l’analyse détaillée des objets, des mouvements et des interactions.
De l’amélioration de la sécurité routière et des performances sportives à la rationalisation des processus industriels, les modèles comme YOLO11 peuvent fournir des informations en temps réel qui stimulent l’innovation. À mesure que la Vision AI continue d’évoluer, elle jouera probablement un rôle de plus en plus important dans notre manière d’interpréter et d’utiliser les données visuelles au quotidien.
Rejoins notre communauté et consulte notre dépôt GitHub pour voir l’IA en action. Explore nos options de licence et découvre-en plus sur l’IA dans l’agriculture et la vision par ordinateur dans l’industrie manufacturière sur nos pages consacrées aux solutions.
