Tout ce qu’il faut savoir sur Ultralytics YOLO11 et ses applications

Le lundi 30 septembre, Ultralytics a officiellement lancé Ultralytics YOLO11, la dernière avancée en matière de vision par ordinateur, après sa présentation lors de YOLO Vision 2024 (YV24), l’événement hybride annuel d’Ultralytics. La communauté de l’IA est en effervescence et se précipite pour explorer les capacités du modèle. Avec un traitement plus rapide, une meilleure précision et des modèles optimisés à la fois pour les appareils edge et le déploiement dans le cloud, YOLO11 redéfinit les possibilités des applications de vision par ordinateur en temps réel.

Lors d’une interview, le fondateur et PDG d’Ultralytics, Glenn Jocher, a déclaré : « Le monde se tourne vers les énergies propres, mais pas assez rapidement. Nous voulons que nos modèles puissent être entraînés sur moins d’époques, avec moins d’augmentations et moins de données, et nous travaillons activement dans ce sens. Le plus petit modèle de détection d’objets, YOLO11n, ne compte que 2,6 millions de paramètres, soit à peu près la taille d’un fichier JPEG, ce qui est vraiment incroyable. Le plus grand modèle de détection d’objets, YOLO11x, compte environ 56 millions de paramètres, et même cela reste extrêmement petit comparé à d’autres modèles. Tu peux les entraîner sur un GPU bon marché, comme un GPU Nvidia vieux de cinq ans, avec simplement un peu d’enthousiasme et une tasse de café. »

Dans cet article, nous allons examiner de plus près Ultralytics YOLO11, en explorant ses fonctionnalités, ses améliorations, ses performances de référence et ses applications concrètes, afin de t’aider à comprendre ce que ce modèle peut faire. Commençons !

Comprendre Ultralytics YOLO11 : les améliorations par rapport aux versions précédentes#

YOLO11 est la dernière avancée de la série YOLO (Tu ne regardes qu’une fois) de modèles de vision par ordinateur, et 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, les utilisateurs peuvent facilement passer à YOLO11 sans devoir modifier leurs workflows existants.

L’un des principaux atouts de YOLO11 réside dans ses performances supérieures, tant en matière de précision que de vitesse, par rapport à ses prédécesseurs. Avec 22 % de paramètres en moins que YOLOv8m, YOLO11m atteint une précision moyenne (mAP) plus élevée sur le jeu de données COCO, ce qui signifie qu’il peut détecter les objets avec davantage de précision et d’efficacité. En matière 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 essentielles et où chaque milliseconde compte.

Le graphique de comparaison ci-dessous montre comment YOLO11 se distingue des modèles précédents. Sur l’axe horizontal figure la précision moyenne des boîtes COCO (AP), qui mesure la précision de la détection d’objets. L’axe vertical indique la latence avec TensorRT10 FP16 sur un GPU NVIDIA T4, ce qui indique la vitesse à laquelle le modèle traite les données.

Fig. 1. Ultralytics YOLO11 offre des capacités de pointe en matière de détection d’objets en temps réel.

Lancement du modèle Ultralytics YOLO11 : options open source et entreprise#

Avec le lancement d’Ultralytics YOLO11, Ultralytics élargit la série YOLO en proposant des modèles open source et d’entreprise afin de 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. Les utilisateurs peuvent choisir le modèle le mieux adapté aux besoins spécifiques de leur application de vision par ordinateur. Les cinq tailles offrent une grande 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 à l’aide de boîtes englobantes orientées (OBB). Pour chaque taille, un modèle est disponible pour chaque tâche, soit un total de 25 modèles open source qui constituent le cœur de l’offre d’Ultralytics. Ces modèles sont adaptés à un large éventail d’applications, des tâches légères sur les appareils edge, où le modèle YOLO11n offre une efficacité impressionnante, aux applications à grande échelle nécessitant les modèles YOLO11l et YOLO11x.

Pour la première fois, Ultralytics présente des modèles d’entreprise, marquant une étape majeure dans son offre de produits, et nous sommes heureux de partager ces nouvelles innovations avec nos utilisateurs. YOLO11 introduit cinq modèles propriétaires conçus spécifiquement pour les cas d’usage commerciaux. Ces modèles d’entreprise, qui seront disponibles le mois prochain, sont entraînés sur le nouveau jeu de données propriétaire d’Ultralytics, composé de plus d’un million d’images, afin de proposer des modèles préentraînés plus robustes. Ils sont conçus pour des applications exigeantes en conditions réelles, telles que l’analyse d’images médicales et le traitement d’images satellite, où une détection précise des objets est essentielle.

Découvre les fonctionnalités nouvelle génération d’Ultralytics YOLO11#

Maintenant que nous avons présenté les possibilités d’Ultralytics YOLO11, examinons ce qui rend YOLO11 si particulier.

L’un des principaux défis du développement de YOLO11 consistait à trouver le juste équilibre entre des priorités concurrentes : rendre les modèles plus petits, plus rapides et plus précis. Comme l’a expliqué Glenn Jocher, fondateur et PDG d’Ultralytics, « Travailler sur la recherche et le développement de YOLO est vraiment difficile, car on veut aller dans trois directions différentes : rendre les modèles plus petits, les rendre plus précis, mais aussi les accélérer sur différentes plateformes comme le CPU et le GPU. Tous ces objectifs sont en concurrence, il faut donc faire des compromis et choisir où apporter des modifications. » Malgré ces difficultés, YOLO11 atteint un équilibre impressionnant, avec des améliorations à la fois en vitesse et en précision par rapport aux versions précédentes comme YOLOv8.

Fig. 3. Exemple d’utilisation d’Ultralytics YOLO11 pour la détection d’objets.

Ultralytics YOLO11 apporte des améliorations majeures, notamment une extraction de caractéristiques améliorée grâce à une architecture de backbone et de neck repensée, ce qui permet une détection d’objets plus précise. Le modèle est également optimisé pour la vitesse et l’efficacité, offrant des temps de traitement plus courts tout en maintenant une grande précision. En plus de ces avantages, YOLO11 est hautement adaptable à différents environnements : il fonctionne parfaitement sur les appareils edge, 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 diverses configurations matérielles, des appareils mobiles aux serveurs à grande échelle.

Applications en temps réel d’Ultralytics YOLO11#

La polyvalence d’Ultralytics YOLO11 en fait un outil fiable dans de nombreux secteurs, notamment pour les cas d’usage complexes. Par exemple, il fonctionne parfaitement sur les appareils edge et peut être utilisé pour des applications nécessitant une analyse en temps réel dans des environnements aux ressources de calcul limitées. La conduite autonome en est un excellent exemple : les véhicules doivent prendre des décisions en une fraction de seconde pour garantir la sécurité de tous. YOLO11 aide à détecter et analyser les objets présents sur la route, comme les piétons ou les autres voitures, même dans des conditions difficiles, par exemple en cas de faible luminosité ou d’occlusion partielle. Une détection rapide et précise contribue à prévenir les accidents et garantit que les véhicules autonomes peuvent se déplacer en toute sécurité.

Fig. 4. Glenn Jocher sur scène lors de YV24, parlant des applications d’Ultralytics YOLO11.

Un autre exemple intéressant de l’étendue des capacités d’Ultralytics YOLO11 est sa capacité à gérer les boîtes englobantes orientées (OBB). Cette fonctionnalité est essentielle pour détecter les objets qui ne sont pas parfaitement alignés. La détection d’objets avec OBB est particulièrement utile dans des secteurs comme l’agriculture, la cartographie et la surveillance, où les images contiennent souvent des objets orientés, comme des cultures ou des bâtiments dans des images aériennes ou satellites. Contrairement aux modèles traditionnels, YOLO11 peut identifier les objets selon n’importe quel angle et fournir des résultats beaucoup plus précis pour les tâches nécessitant une grande précision.

Ultralytics YOLO11 pour les développeurs en IA : essaie-le toi-même#

Commencer avec YOLO11 est simple et accessible, que tu préfères coder ou utiliser une option sans code. Pour travailler avec YOLO11 en passant par le code, tu peux utiliser le package Python Ultralytics afin d’entraîner et de déployer facilement des modèles. Si tu préfères une approche sans code, Ultralytics Platform te permet d’essayer YOLO11 en quelques clics.

Guide pratique du code d’Ultralytics YOLO11#

Pour utiliser YOLO11 avec Python, tu dois d’abord installer le package Ultralytics. Selon tes préférences, tu peux le faire avec pip, conda ou Docker. Pour obtenir des instructions détaillées et connaître les bonnes pratiques liées au processus d’installation, consulte notre Guide d’installation d’Ultralytics. Si tu rencontres des difficultés lors de l’installation des packages requis pour YOLO11, consulte notre Guide des problèmes courants pour trouver des solutions et des conseils.

Une fois le package Ultralytics installé, utiliser YOLO11 est simple. L’extrait de code suivant te guide dans le processus de chargement d’un modèle, de son entraînement, du test de ses performances et de son exportation au format ONNX. Pour des exemples plus approfondis et une utilisation avancée, consulte la documentation officielle d’Ultralytics, où tu trouveras des guides détaillés et les bonnes pratiques pour tirer le meilleur parti de YOLO11.

Fig. 5. Utilisation de YOLO11 via le package Ultralytics.

Pour les utilisateurs qui préfèrent une approche sans code, Ultralytics Platform offre un moyen simple d’entraîner et de déployer des modèles YOLO11 en quelques clics. Pour commencer avec Ultralytics Platform, il te suffit de créer un compte sur Ultralytics Platform pour commencer à entraîner et à gérer tes modèles depuis une interface intuitive.

Ultralytics YOLO11 : façonner l’avenir de l’IA visuelle#

La communauté de l’IA fait constamment progresser le domaine de la vision par ordinateur en cherchant à développer des modèles plus rapides et plus précis pour les applications concrètes. Ultralytics YOLO11 constitue une étape majeure dans cet effort, en apportant des améliorations en matière de vitesse, de précision et de flexibilité. Il est conçu pour les applications en temps réel et edge, ce qui le rend idéal pour des secteurs comme la santé et la conduite autonome. Que tu utilises le package Python Ultralytics ou Ultralytics Platform sans code, YOLO11 simplifie les tâches complexes d’IA visuelle. Il offre de puissantes capacités de vision par ordinateur, ce qui en fait un excellent choix pour les développeurs et les entreprises.

Consulte notre dépôt GitHub et rejoins notre communauté active pour en savoir plus sur l’IA. Découvre comment l’IA appliquée à la vision stimule l’innovation dans des secteurs comme les soins de santé et l’agriculture.