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

Le lundi 30 septembre, Ultralytics a officiellement lancé Ultralytics YOLO11, la dernière avancée en matière de computer vision, suite à ses débuts à YOLO Vision 2024 (YV24), l'événement hybride annuel d'Ultralytics. La communauté IA est en ébullition et se précipite pour explorer les capacités du modèle. Avec un traitement plus rapide, une précision accrue et des modèles optimisés pour les appareils de périphérie et le déploiement cloud, YOLO11 redéfinit ce qui est possible dans les applications de computer vision en temps réel.

Dans une interview, le fondateur et PDG d'Ultralytics, Glenn Jocher, a déclaré : « Le monde s'oriente vers l'énergie propre, mais pas assez vite. Nous voulons que nos modèles puissent être entraînés en moins d'époques, avec moins d'augmentations et moins de données, alors nous y travaillons dur. 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 JPEG, ce qui est vraiment fou. Le plus grand modèle de détection d'objets, YOLO11x, possède environ 56 millions de paramètres, et même celui-ci est incroyablement petit par rapport 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 de plus près Ultralytics YOLO11, 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 !

Comprendre Ultralytics YOLO11 : Améliorations par rapport aux versions précédentes#

YOLO11 est la dernière avancée de la série de modèles de computer vision YOLO (You Only Look Once), et il offre des améliorations significatives par rapport aux versions précédentes telles que YOLOv5 et YOLOv8. L'équipe d'Ultralytics a intégré les commentaires de la communauté et des recherches de pointe pour rendre YOLO11 plus rapide, plus précis et plus efficace. YOLO11 prend également en charge les mêmes tâches de computer vision 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 à modifier tes workflows existants.

L'un des points forts de YOLO11 est ses performances supérieures en matière de précision et 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 des 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 essentielles, et où chaque milliseconde compte.

Le graphique de benchmarking ci-dessous illustre la façon dont YOLO11 se démarque des modèles précédents. Sur l'axe horizontal, il montre la précision moyenne (AP) des boîtes COCO, qui mesure la précision de la détection d'objets. L'axe vertical affiche la latence à l'aide de TensorRT10 FP16 sur un GPU NVIDIA T4, indiquant la vitesse à laquelle le modèle traite les données.

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

Lancement du modèle Ultralytics YOLO11 : Options open-source et entreprise#

Avec le lancement d'Ultralytics YOLO11, Ultralytics étend la série YOLO en proposant à la fois des modèles open source et d'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 computer vision. Les 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 avec boîtes englobantes orientées (OBB). Pour chaque taille, un modèle est 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 parfaits pour un large éventail d'applications, des tâches légères sur les appareils de périphérie, 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 d'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 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, offrant des modèles pré-entraînés plus robustes. Ils sont conçus pour des applications exigeantes du monde réel, telles que l'analyse d'imagerie médicale et le traitement d'images satellitaires, où une détection précise des objets est cruciale.

Explorer les fonctionnalités de nouvelle génération d'Ultralytics YOLO11#

Maintenant que nous avons discuté de ce que propose Ultralytics YOLO11, jetons un coup d'œil à ce qui rend YOLO11 si spécial.

L'un des principaux défis lors du développement de YOLO11 a été de 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 parce que tu veux aller dans trois directions différentes : tu veux rendre les modèles plus petits, tu veux qu'ils deviennent plus précis, mais tu veux aussi qu'ils soient plus rapides sur différentes plates-formes comme le CPU et le GPU. Ce sont là autant d'intérêts concurrents, tu dois donc faire des compromis et choisir où apporter des modifications. » 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 d'utilisation d'Ultralytics YOLO11 pour la détection d'objets.

Ultralytics YOLO11 apporte des améliorations substantielles telles qu'une feature extraction améliorée avec une architecture redessinée de backbone et de neck, conduisant 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 is highly adaptable à travers différents environnements, fonctionnant de manière transparente sur des edge devices, des plateformes cloud et des systèmes utilisant des GPU NVIDIA. Cette adaptabilité en fait un choix idéal pour les utilisateurs qui ont besoin d'options de deployment options flexibles à travers diverses configurations de hardware, 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 nombreuses industries, en particulier lors du traitement de complex use cases. Par exemple, il fonctionne de manière transparente sur des edge devices et peut être utilisé pour des applications nécessitant une analyse en temps réel dans des environnements avec une puissance de calcul limitée. Un excellent exemple de ceci est autonomous driving, où les véhicules doivent prendre des décisions en une fraction de seconde pour assurer la sécurité de tout le monde. YOLO11 aide en detecting and analyzing objects on the road, comme les piétons ou d'autres voitures, même dans des conditions difficiles telles qu'une faible luminosité ou lorsque les éléments sont partiellement cachés. Une détection rapide et précise aide à prévenir les accidents et garantit que les vehicles can navigate safely autonomes.

Fig 4. Glenn Jocher sur scène à YV24, parlant des applications d'Ultralytics YOLO11.

Un autre exemple intéressant de la gamme d'Ultralytics YOLO11 est sa capacité à gérer les oriented bounding boxes (OBB). Il 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 mapping et la surveillance, où les images often contain rotated objects comme des cultures ou des bâtiments dans des imageries aériennes ou satellitaires. Contrairement aux modèles traditionnels, YOLO11 peut identifier des objets à n'importe quel angle et fournir des résultats beaucoup plus précis pour les tâches qui nécessitent de la précision.

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

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

Visite guidée du code d'Ultralytics 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 d'Ultralytics. Lors de l'installation des packages requis pour YOLO11, si tu rencontres des difficultés, réfère-toi à notre guide des problèmes courants pour trouver des solutions et des astuces.

Une fois que tu as installé le package Ultralytics, utiliser YOLO11 est un jeu d'enfant. L'extrait de code suivant te guide à travers le processus de chargement d'un modèle, d'entraînement, de test de ses performances et d'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 les meilleures pratiques pour tirer le meilleur parti de YOLO11.

Fig 5. Utiliser 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, crée simplement un compte sur la plateforme Ultralytics, et tu pourras commencer à entraîner et à gérer tes modèles via une interface intuitive.

Ultralytics YOLO11 : 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 répertoire GitHub et rejoins notre communauté active pour en savoir plus sur l'IA. Découvre comment la vision par IA stimule l'innovation dans des secteurs tels que la santé et l'agriculture.