Tout ce que tu dois savoir sur Ultralytics YOLO11 et ses applications

Le lundi 30 septembre, Ultralytics a officiellement lancé Ultralytics YOLO11, la toute dernière avancée en vision par ordinateur, après ses débuts lors du YOLO Vision 2024 (YV24), l'événement hybride annuel d'Ultralytics. La communauté IA est en effervescence, impatiente d'explorer les capacités du modèle. Avec un traitement plus rapide, une précision accrue et des modèles optimisés aussi bien pour les appareils de pointe (edge) que pour le déploiement dans le cloud, YOLO11 redéfinit ce qui est possible dans les applications de vision par ordinateur en temps réel.

Dans une interview, le fondateur et CEO d'Ultralytics Glenn Jocher a partagé : « Le monde se tourne vers l'énergie propre, mais pas assez vite. Nous voulons que nos modèles soient entraînables en moins d'époques, avec moins d'augmentations et moins de données, c'est pourquoi nous travaillons dur sur ce point. Le plus petit modèle de détection d'objets, YOLO11n, ne compte que 2,6 millions de paramètres - à peu près la taille d'un JPEG, ce qui est vraiment fou. Le plus grand modèle de détection d'objets, YOLO11x, compte environ 56 millions de paramètres, et même cela est incroyablement petit comparé à d'autres modèles. Tu peux les entraîner sur un GPU bon marché, comme un GPU Nvidia vieux de cinq ans, avec juste un peu d'enthousiasme et un peu de café. »

Dans cet article, nous allons examiner YOLO11 de plus près, en explorant ses fonctionnalités, ses améliorations, ses benchmarks de performance et ses applications concrètes pour t'aider à comprendre ce que ce modèle peut faire. C'est parti !

Link to this sectionComprendre YOLO11 : Améliorations par rapport aux versions précédentes#

YOLO11 est la dernière avancée de la série de modèles de vision par ordinateur YOLO (You Only Look Once), et il offre des améliorations significatives par rapport aux versions précédentes comme YOLOv5 et YOLOv8. L'équipe d'Ultralytics a intégré les retours de la communauté et les recherches de pointe pour rendre YOLO11 plus rapide, plus précis et plus efficace. YOLO11 prend également en charge les mêmes tâches de vision par ordinateur que YOLOv8, notamment la détection d'objets, la segmentation d'instances et la classification d'images. En fait, tu peux facilement passer à YOLO11 sans avoir besoin de modifier tes workflows existants.

L'un des points forts de YOLO11 est sa performance supérieure en termes de précision et de vitesse par rapport à ses prédécesseurs. Avec 22 % de paramètres en moins que YOLOv8m, YOLO11m atteint une mAP (précision moyenne) plus élevée sur le dataset COCO, ce qui signifie qu'il peut détecter les objets avec plus de précision et d'efficacité. En termes de vitesse de traitement, YOLO11 surpasse les modèles précédents, ce qui le rend idéal pour les applications en temps réel où une détection et une réponse rapides sont critiques, et où chaque milliseconde compte.

Le graphique de benchmark ci-dessous illustre comment YOLO11 se distingue des modèles précédents. L'axe horizontal montre la COCO Box Average Precision (AP), qui mesure la précision de la détection d'objets. L'axe vertical affiche la latence en utilisant TensorRT10 FP16 sur un GPU NVIDIA T4, indiquant la vitesse à laquelle le modèle traite les données.

Fig 1. YOLO11 offre des capacités de détection d'objets en temps réel de pointe.

Link to this sectionLancement du modèle YOLO11 : Options open-source et entreprise#

Avec le lancement d'Ultralytics YOLO11, Ultralytics étend la série YOLO en proposant des modèles open-source et entreprise pour répondre à la demande croissante dans tous les secteurs.

Fig 2. Avec ce lancement, Ultralytics propose 30 nouveaux modèles.

YOLO11 propose cinq tailles de modèles distinctes : Nano, Small, Medium, Large et X. Tu peux choisir le meilleur modèle en fonction des besoins spécifiques de ton application de vision par ordinateur. Ces cinq tailles offrent de la flexibilité pour des tâches telles que la classification d'images, la détection d'objets, la segmentation d'instances, le suivi, l'estimation de pose et la détection d'objets par boîtes englobantes orientées (OBB). Pour chaque taille, il existe un modèle disponible pour chaque tâche, ce qui donne un total de 25 modèles open-source qui forment le cœur des offres d'Ultralytics. Ces modèles sont idéaux pour un large éventail d'applications, des tâches légères sur les appareils de pointe, où le modèle YOLO11n offre une efficacité impressionnante, aux applications à plus grande échelle nécessitant les modèles YOLO11l et YOLO11x.

Pour la première fois, Ultralytics introduit des modèles entreprise, marquant une étape majeure dans nos offres de produits, et nous sommes ravis de partager ces nouvelles innovations avec nos utilisateurs. YOLO11 introduit cinq modèles propriétaires conçus spécifiquement pour des cas d'utilisation commerciaux. Ces modèles entreprise, qui seront disponibles le mois prochain, sont entraînés sur le nouveau dataset propriétaire d'Ultralytics, composé de plus d'un million d'images, offrant des modèles pré-entraînés plus robustes. Ils sont conçus pour des applications réelles exigeantes, comme l'analyse d'imagerie médicale et le traitement d'images satellites, où une détection d'objets précise est cruciale.

Link to this sectionÀ la découverte des fonctionnalités de nouvelle génération de YOLO11#

Maintenant que nous avons abordé ce que propose YOLO11, regardons ce qui le rend si spécial.

L'un des principaux défis dans le développement de YOLO11 a été de trouver le bon équilibre entre des priorités concurrentes : rendre les modèles plus petits, plus rapides et plus précis. Comme Glenn Jocher, fondateur et PDG d'Ultralytics, l'a expliqué, « Travailler sur la recherche et le développement de YOLO est vraiment difficile parce que tu veux aller dans trois directions différentes : tu veux rendre les modèles plus petits, tu veux qu'ils soient plus précis, mais tu veux aussi qu'ils soient plus rapides sur différentes plateformes comme le CPU et le GPU. Tous ces intérêts sont contradictoires, donc tu dois faire des compromis et choisir où apporter des changements. » Malgré ces défis, YOLO11 atteint un équilibre impressionnant, offrant à la fois des améliorations de vitesse et de précision par rapport aux versions précédentes comme YOLOv8.

Fig 3. Un exemple de l'utilisation de YOLO11 pour la détection d'objets.

YOLO11 apporte des améliorations substantielles comme une extraction de caractéristiques optimisée avec une architecture de backbone et de neck redessinée, menant à une détection d'objets plus précise. Le modèle est également optimisé pour la vitesse et l'efficacité, offrant des temps de traitement plus rapides tout en maintenant une haute précision. En plus de ces avantages, YOLO11 est hautement adaptable à différents environnements, fonctionnant de manière transparente sur les appareils de pointe, les plateformes cloud et les systèmes utilisant des GPU NVIDIA. Cette adaptabilité en fait un choix idéal pour les utilisateurs qui ont besoin d'options de déploiement flexibles sur divers configurations matérielles, des appareils mobiles aux serveurs à grande échelle.

Link to this sectionApplications de YOLO11 en temps réel#

La polyvalence de YOLO11 en fait un outil fiable dans de nombreuses industries, surtout lorsqu'il s'agit de cas d'utilisation complexes. Par exemple, il fonctionne parfaitement sur les appareils de pointe et peut être utilisé pour des applications nécessitant une analyse en temps réel dans des environnements ayant une puissance de calcul limitée. Un excellent exemple est la conduite autonome, où les véhicules doivent prendre des décisions en une fraction de seconde pour assurer la sécurité de tous. YOLO11 aide en détectant et en analysant les objets sur la route, comme les piétons ou d'autres voitures, même dans des conditions difficiles comme une faible luminosité ou lorsque les éléments sont partiellement cachés. Une détection rapide et précise permet d'éviter les accidents et garantit que les véhicules autonomes puissent naviguer en toute sécurité.

Fig 4. Glenn Jocher sur scène au YV24, parlant des applications de YOLO11.

Un autre exemple intéressant de l'étendue de YOLO11 est sa capacité à gérer les boîtes englobantes orientées (OBB). C'est essentiel pour détecter des objets qui ne sont pas parfaitement alignés. La détection d'objets OBB est une fonctionnalité particulièrement utile dans des secteurs comme l'agriculture, la cartographie et la surveillance, où les images contiennent souvent des objets pivotés comme des cultures ou des bâtiments dans l'imagerie aérienne ou satellite. Contrairement aux modèles traditionnels, YOLO11 peut identifier des objets sous n'importe quel angle et fournir des résultats beaucoup plus précis pour les tâches exigeant de la précision.

Link to this sectionYOLO11 pour les développeurs IA : Essaie-le toi-même#

Se lancer avec YOLO11 est simple et accessible, que tu préfères coder ou utiliser une option sans code (no-code). Pour travailler avec YOLO11 via le code, tu peux utiliser le package Python d'Ultralytics pour entraîner et déployer facilement des modèles. Si tu préfères une approche sans code, la plateforme Ultralytics te permet d'essayer YOLO11 en quelques clics seulement.

Link to this sectionDémonstration du code YOLO11#

Pour utiliser YOLO11 avec Python, tu devras d'abord installer le package Ultralytics. Selon tes préférences, tu peux le faire en utilisant pip, conda ou Docker. Pour des instructions détaillées et les meilleures pratiques liées au processus d'installation, assure-toi de consulter notre Guide d'installation Ultralytics. Si tu rencontres des difficultés lors de l'installation des packages requis pour YOLO11, réfère-toi à notre Guide des problèmes courants pour des solutions et des conseils.

Une fois que tu as installé le package Ultralytics, utiliser YOLO11 est simple. L'extrait de code suivant te guide à travers le processus de chargement d'un modèle, son entraînement, le test de ses performances et son exportation vers le format ONNX. Pour des exemples plus approfondis et une utilisation avancée, assure-toi de te référer à la documentation officielle d'Ultralytics, où tu trouveras des guides détaillés et des meilleures pratiques pour tirer le meilleur parti de YOLO11.

Fig 5. Utiliser YOLO11 via le package Ultralytics.

Pour les utilisateurs préférant une approche sans code, la plateforme Ultralytics offre un moyen simple d'entraîner et de déployer des modèles YOLO11 en quelques clics. Pour commencer avec la plateforme Ultralytics, crée simplement un compte sur la plateforme Ultralytics, et tu pourras commencer à entraîner et gérer tes modèles via une interface intuitive.

Link to this sectionYOLO11 : Façonner l'avenir de la vision par IA#

La communauté IA fait constamment avancer le domaine de la vision par ordinateur en s'efforçant de développer des modèles plus rapides et plus précis pour les applications réelles. Ultralytics YOLO11 est une étape majeure dans cet effort, apportant une vitesse, une précision et une flexibilité améliorées. Il est conçu pour les applications en temps réel et les applications de pointe, le rendant idéal pour des secteurs comme la santé et la conduite autonome. Que tu utilises le package Python d'Ultralytics ou la plateforme Ultralytics sans code, YOLO11 simplifie les tâches complexes de vision par IA. Il offre des capacités de vision par ordinateur puissantes, ce qui en fait un excellent choix pour les développeurs et les entreprises.

Consulte notre référentiel GitHub et rejoins notre communauté active pour en savoir plus sur l'IA. Explore comment la vision par ordinateur stimule l'innovation dans des secteurs comme la santé et l'agriculture.