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

Le lundi 30 septembre, Ultralytics a officiellement lancé Ultralytics YOLO11, alors la dernière avancée en vision par ordinateur, après sa présentation à YOLO Vision 2024 (YV24), l’événement hybride annuel d’Ultralytics. La communauté de l’IA s’est rapidement intéressée aux capacités du modèle. Grâce à un traitement plus rapide, à une meilleure précision et à des modèles optimisés pour les appareils périphériques comme pour le déploiement dans le cloud, YOLO11 redéfinit les possibilités des applications de vision par ordinateur en temps réel.

Lors d’une interview, Glenn Jocher, fondateur et PDG d’Ultralytics, a déclaré : « Le monde se tourne vers les énergies propres, mais pas assez vite. Nous voulons que nos modèles puissent être entraînés en moins d’époques, avec moins d’augmentations et moins de données, et 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, compte environ 56 millions de paramètres, ce qui reste minuscule par rapport à d’autres modèles. Tu peux les entraîner sur un GPU bon marché, comme un GPU Nvidia vieux de cinq ans, avec un peu d’enthousiasme et de café. »

Dans cet article, nous allons examiner de plus près Ultralytics YOLO11, ses fonctionnalités, ses améliorations, ses résultats de benchmark et ses applications concrètes, pour t’aider à comprendre ce que ce modèle peut faire.

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

À son lancement, YOLO11 était la dernière avancée de la série de modèles de vision par ordinateur YOLO (You Only Look Once, « tu ne regardes qu’une seule fois » ; depuis, Ultralytics YOLO26 lui a succédé). Il apporte des améliorations importantes par rapport aux versions précédentes, comme YOLOv5 et YOLOv8. L’équipe d’Ultralytics a pris en compte les commentaires de la communauté et les recherches les plus récentes 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 modifier leurs workflows existants.

L’un des principaux atouts 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 obtient une précision moyenne (mAP) supérieure sur l’ensemble de données COCO, ce qui signifie qu’il détecte les objets avec plus de précision et d’efficacité. En matière de vitesse de traitement, YOLO11 surpasse les modèles précédents et convient donc parfaitement aux applications en temps réel, où la rapidité de détection et de réaction est essentielle et où chaque milliseconde compte.

Le graphique de benchmark ci-dessous montre en quoi YOLO11 se démarque des modèles précédents. L’axe horizontal indique la précision moyenne COCO des cadres englobants (AP), qui mesure la précision de la détection d’objets. L’axe vertical présente la latence mesurée avec TensorRT 10 FP16 sur un GPU NVIDIA T4, et indique la vitesse de traitement des données par le modèle.

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 étoffe la série YOLO en proposant des modèles open source et des modèles pour les entreprises, afin de répondre à la demande croissante de différents secteurs.

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

YOLO11 se décline en cinq tailles de modèles : 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. Ces cinq tailles offrent une grande flexibilité pour des tâches telles que la détection d’objets, la segmentation d’instances, la classification d’images, l’estimation de pose, la détection d’objets avec des cadres englobants orientés (OBB) et le suivi. Chaque taille propose un modèle pour chaque tâche, soit au total 25 modèles open source qui constituent le cœur de l’offre d’Ultralytics. Ces modèles conviennent à un large éventail d’applications, des tâches légères sur des appareils en périphérie, où YOLO11n offre une efficacité remarquable, aux applications à grande échelle nécessitant les modèles YOLO11l et YOLO11x.

Pour la première fois, Ultralytics lance des modèles destinés aux entreprises, une étape majeure dans notre offre de produits, et nous sommes ravis de présenter ces nouvelles innovations à nos utilisateurs. YOLO11 propose cinq modèles propriétaires spécialement conçus pour des applications commerciales. Disponibles le mois prochain, ces modèles seront entraînés sur le nouvel ensemble de données propriétaire d’Ultralytics, qui contient plus d’un million d’images, afin de fournir des modèles préentraînés plus robustes. Ils sont conçus pour des applications exigeantes du monde réel, comme l’analyse d’images médicales et le traitement d’images satellite, où une détection précise des objets est essentielle.

À la découverte des fonctionnalités de nouvelle génération d’Ultralytics YOLO11#

Maintenant que nous avons présenté l’offre d’Ultralytics YOLO11, voyons ce qui rend YOLO11 si particulier.

L’un des principaux défis du développement de YOLO11 consistait à trouver le bon équilibre entre des priorités concurrentes : réduire la taille des modèles, les accélérer et améliorer leur précision. Comme l’a expliqué Glenn Jocher, fondateur et PDG d’Ultralytics : « Le développement et la recherche autour de YOLO sont vraiment difficiles, parce qu’on veut avancer dans trois directions à la fois : réduire la taille des modèles, améliorer leur précision et les rendre plus rapides sur différentes plateformes comme le CPU et le GPU. Ces objectifs sont tous contradictoires, donc il faut faire des compromis et choisir ce qu’on va modifier. » Malgré ces difficultés, YOLO11 atteint un équilibre remarquable et offre des améliorations de vitesse et de 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 considérables, notamment une meilleure extraction des caractéristiques 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 : il traite les données plus rapidement tout en maintenant une grande précision. En plus de ces atouts, YOLO11 s’adapte facilement à différents environnements et fonctionne sur des appareils en périphérie, des plateformes cloud et des systèmes équipés de GPU NVIDIA. Cette adaptabilité en fait un choix idéal pour ceux qui ont besoin d’options de déploiement flexibles sur différents matériels, 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, en particulier pour les cas d’utilisation complexes. Il fonctionne efficacement sur des appareils en périphérie et peut servir aux applications qui exigent une analyse en temps réel dans des environnements à puissance de calcul limitée. 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 contribue à cette tâche en détectant et en analysant les objets sur la route, comme les piétons et les autres voitures, même dans des conditions difficiles, par exemple lorsque la lumière est faible ou que des objets sont partiellement cachés. Une détection rapide et précise aide à prévenir les accidents et permet aux véhicules autonomes de circuler en toute sécurité.

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

La capacité d’Ultralytics YOLO11 à gérer les cadres englobants orientés (OBB) est un autre exemple intéressant de sa polyvalence. Cette fonctionnalité est essentielle pour détecter des objets qui ne sont pas parfaitement alignés. La détection d’objets avec des OBB est 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 des images aériennes ou satellite. Contrairement aux modèles traditionnels, YOLO11 peut identifier les objets sous n’importe quel angle et fournir des résultats beaucoup plus précis pour les tâches qui exigent une grande précision.

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

La prise en main de YOLO11 est simple et accessible, que tu préfères coder ou utiliser une solution sans code. Pour travailler avec YOLO11 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 pas à pas du code 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 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, YOLO11 est simple à utiliser. L’extrait de code suivant te guide pour charger un modèle, l’entraîner, tester ses performances et l’exporter au format ONNX. Pour des exemples plus détaillés et une utilisation avancée, consulte la documentation officielle d’Ultralytics, qui contient des guides complets et des bonnes pratiques pour tirer le meilleur parti de YOLO11.

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

Pour les utilisateurs qui préfèrent une approche sans code, Ultralytics Platform permet d’entraîner et de déployer facilement des modèles YOLO11 en quelques clics. Pour commencer avec Ultralytics Platform, crée simplement un compte sur Ultralytics Platform : tu pourras ensuite entraîner et gérer tes modèles depuis une interface intuitive.

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

La communauté de l’IA fait constamment progresser la vision par ordinateur en cherchant à développer des modèles plus rapides et plus précis pour des applications concrètes. Ultralytics YOLO11 constitue une avancée majeure dans cette démarche, en offrant une vitesse, une précision et une flexibilité améliorées. Conçu pour les applications en temps réel et edge, il convient parfaitement à 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 visuelle stimule l’innovation dans des secteurs comme les soins de santé et l’agriculture.