Tout savoir sur les tâches de vision par ordinateur

Grâce aux caméras et aux progrès de l’intelligence artificielle (AI), les ordinateurs et les machines peuvent désormais voir le monde d’une manière semblable aux humains. Ils peuvent, par exemple, 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 conçue pour extraire un type précis d’information à partir d’images ou de vidéos. Par exemple, la détection d’objets permet d’identifier et de 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 des informations recherchées. 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 par IA 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. C’est parti !

Que sont les tâches de vision par ordinateur ?#

Les tâches de vision par ordinateur visent à reproduire de différentes façons les capacités visuelles humaines. Elles peuvent aider les machines à détecter des objets, à suivre leurs mouvements, à estimer des poses et même à délimiter les éléments individuels dans des images et des vidéos. En général, les tâches de vision par ordinateur s’appuient sur des modèles qui divisent les données visuelles en éléments plus petits afin de mieux interpréter ce qui se passe.

Les modèles de vision par IA comme les modèles Ultralytics YOLO prennent en charge plusieurs tâches, telles que la détection, le suivi et la segmentation, dans un même cadre. 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 détecter chaque joueur sur le terrain grâce à la détection d’objets, puis les suivre tout au long du match grâce au suivi d’objets. Parallèlement, 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 isoler 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 détaillées 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.

La 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 ces choses. La classification d’images apprend aux machines à faire de même en leur enseignant à classer et à étiqueter une image selon son objet principal, qu’il s’agisse d’une « voiture », d’une « banane » ou d’une « radiographie montrant une fracture ». Cette étiquette aide les systèmes de vision par ordinateur à comprendre le contenu visuel afin de réagir ou de prendre des décisions en conséquence.

La surveillance de la faune sauvage 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 migrations et repérer plus facilement les espèces menacées afin de contribuer à leur conservation.

Fig. 2 Exemple d’utilisation de YOLO11 pour la classification d’images.

Les capacités de détection d’objets d’Ultralytics YOLO11#

La classification d’images permet d’obtenir une vue d’ensemble du contenu d’une image, mais elle ne lui attribue qu’une seule étiquette. 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 traçant des cadres de délimitation autour d’eux. Ultralytics YOLO11 excelle particulièrement dans 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 d’autres articles, afin de garantir l’exactitude des stocks. 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 qui ne le sont pas.

Fig. 3. Détection de fruits avec Ultralytics YOLO11.

Utiliser YOLO11 pour la segmentation d’instances#

La détection d’objets utilise des boîtes englobantes 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 tracer une boîte 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 », le système dessine soigneusement le contour de la pomme et en remplit la forme exacte. Ce processus détaillé aide les systèmes d’IA à comprendre clairement les limites d’un objet, en particulier lorsque des objets sont proches les uns des autres.

La segmentation d’instances peut s’appliquer à de nombreux domaines, 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 anomalies de surface, petites comme grandes. En délimitant précisément ces anomalies, les ingénieurs peuvent cerner les problèmes et y remédier avant le début d’un projet.

Fig. 4. Segmentation des fissures avec YOLO11.

Suivi d’objets : suivre des objets d’une image à l’autre avec YOLO11#

Jusqu’ici, les tâches de vision par ordinateur que nous avons examinées portent sur le contenu d’une image unique. Toutefois, pour les vidéos, nous avons besoin d’informations qui vont au-delà d’une seule image. La tâche de suivi d’objets permet de répondre à ce besoin.

La capacité de suivi d’objets de YOLO11 peut suivre un objet précis, comme une personne ou une voiture, au fil d’une série d’images vidéo. Même si l’angle de la caméra change ou si d’autres objets apparaissent, le système continue de suivre la même cible.

C’est essentiel pour les applications qui nécessitent une surveillance dans le temps, comme le suivi des voitures dans la circulation. En effet, YOLO11 peut suivre les véhicules avec précision, en suivant chaque voiture pour aider à estimer sa vitesse en temps réel. Le suivi d’objets devient ainsi un composant essentiel de systèmes comme la surveillance du trafic.

Fig. 5. La prise en charge du suivi d’objets par YOLO11 peut servir à estimer la vitesse.

Détection de boîtes englobantes orientées (OBB) avec YOLO11#

Dans le monde réel, les objets ne sont pas toujours parfaitement alignés : ils peuvent être inclinés, de côté ou placés selon des angles inhabituels. Par exemple, sur les images satellite, les navires et les bâtiments apparaissent souvent tournés.

Les méthodes traditionnelles de détection d’objets utilisent des boîtes rectangulaires fixes qui ne s’adaptent pas à l’orientation d’un objet, ce qui complique la délimitation précise de ces formes tournées. La détection de boîtes englobantes orientées (OBB) résout ce problème en utilisant des boîtes qui pivotent pour épouser étroitement la forme d’un objet et s’aligner sur son angle, afin d’améliorer la précision de la détection.

Pour la surveillance portuaire, la prise en charge de la détection OBB par YOLO11 peut aider à identifier et suivre avec précision 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 déplacements des navires, ce qui est essentiel pour gérer les ports très fréquentés et prévenir 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, pour comprendre comment un objet se déplace. Au lieu de considérer un objet ou un corps entier comme une seule unité, cette méthode le décompose en ses éléments clés. Cela permet d’analyser en détail les mouvements, les gestes et les interactions.

L’estimation de pose humaine est une application courante de cette technologie. En suivant en temps réel la position des 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, en rééducation physique, les thérapeutes peuvent utiliser l’estimation de pose humaine et YOLO11 pour surveiller les mouvements des patients pendant les exercices. Cela permet de vérifier que chaque mouvement est exécuté correctement et de suivre les progrès au fil du temps.

Fig. 7. YOLO11 peut surveiller une séance d’entraînement grâce à l’estimation de pose.

Découvrir comment YOLO11 prend en charge diverses 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 spécialisées, chacune conçue pour une tâche de vision par ordinateur précise. YOLO11 est ainsi un outil polyvalent, adaptable à un large éventail d’applications. Tu peux également ajuster ces modèles sur des jeux de données personnalisés afin de relever les défis propres à tes projets.

Voici les variantes du modèle 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 et utilise des masques détaillés pour séparer les objets de leur arrière-plan.
• YOLO11-obb : ce modèle est conçu pour détecter les objets tournés en traçant des boîtes englobantes alignées 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 proposée en différentes tailles, ce qui permet aux utilisateurs de choisir le bon compromis entre vitesse et précision selon leurs besoins.

Points clés à retenir#

Les tâches de vision par ordinateur transforment 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, des modèles comme YOLO11 peuvent fournir des informations en temps réel qui stimulent l’innovation. À mesure que l’IA visuelle évolue, elle jouera probablement un rôle de plus en plus important dans notre interprétation et notre utilisation quotidiennes des données visuelles.

Rejoins notre communauté et consulte notre dépôt GitHub pour voir l’IA en action. Découvre nos options de licence et explore les pages de nos solutions pour en savoir plus sur l’IA dans l’agriculture et la vision par ordinateur dans l’industrie manufacturière.