Les avantages d’Ultralytics YOLO11 en tant que détecteur sans ancres

Si nous revenons sur l’histoire des modèles de vision par IA, le concept de détection d’objets — une tâche fondamentale de la vision par ordinateur qui consiste à identifier et localiser des objets dans une image ou une vidéo — existe depuis les années 1960. Toutefois, la principale raison de son importance dans les innovations de pointe actuelles est que les techniques de détection d’objets et les architectures de modèles ont progressé et se sont rapidement améliorées depuis cette époque.

Dans un article précédent, nous avons abordé l’évolution de la détection d’objets et le chemin qui a mené aux modèles Ultralytics YOLO. Aujourd’hui, nous allons nous intéresser à une étape plus précise de cette évolution : le passage des détecteurs à ancres aux détecteurs sans ancres.

Les détecteurs à ancres s’appuient sur des boîtes prédéfinies, appelées « ancres », pour prédire où se trouvent les objets dans une image. À l’inverse, les détecteurs sans ancres ignorent ces boîtes prédéfinies et prédisent directement la position des objets.

Même si ce changement peut sembler simple et logique, il a en réalité entraîné des améliorations majeures de la précision et de l’efficacité de la détection d’objets. Dans cet article, tu découvriras comment les détecteurs sans ancres ont transformé la vision par ordinateur grâce à des avancées comme Ultralytics YOLO11.

Que sont les détecteurs à ancres ?#

Les détecteurs à ancres utilisent des boîtes prédéfinies, appelées ancres, pour aider à localiser les objets dans une image. Imagine ces ancres comme une grille de boîtes de différentes tailles et formes placées sur l’image. Le modèle ajuste ensuite ces boîtes pour les faire correspondre aux objets qu’il détecte. Par exemple, si le modèle identifie une voiture, il modifie la boîte d’ancrage afin qu’elle corresponde plus précisément à la position et à la taille de la voiture.

Chaque ancre est associée à un objet potentiel dans l’image et, pendant l’entraînement, le modèle apprend à ajuster les boîtes d’ancrage pour mieux correspondre à la position, à la taille et au rapport hauteur/largeur de l’objet. Cela permet au modèle de détecter des objets à différentes échelles et orientations. Toutefois, sélectionner le bon ensemble de boîtes d’ancrage peut prendre du temps, et leur réglage fin peut être sujet aux erreurs.

Fig. 1. Qu’est-ce qu’une boîte d’ancrage ?

Même si les détecteurs à ancres, comme YOLOv4, ont donné de bons résultats dans de nombreuses applications, ils présentent certains inconvénients. Par exemple, les boîtes d’ancrage ne s’alignent pas toujours correctement sur des objets de formes ou de tailles différentes, ce qui complique la détection des objets petits ou de forme irrégulière. La sélection et le réglage fin de la taille des boîtes d’ancrage peuvent également prendre du temps et nécessiter beaucoup d’intervention manuelle. De plus, les modèles à ancres ont souvent du mal à détecter les objets masqués ou qui se chevauchent, car les boîtes prédéfinies peuvent mal s’adapter à ces situations plus complexes.

Le passage à la détection d’objets sans ancres#

Les détecteurs sans ancres ont commencé à attirer l’attention en 2018 avec des modèles comme CornerNet et CenterNet, qui ont adopté une nouvelle approche de la détection d’objets en supprimant le besoin de boîtes d’ancrage prédéfinies. Contrairement aux modèles traditionnels qui s’appuient sur des boîtes d’ancrage de différentes tailles et formes pour prédire où se trouvent les objets, les modèles sans ancres prédisent directement leur position. Ils se concentrent sur des points clés ou des caractéristiques de l’objet, comme son centre, ce qui simplifie le processus de détection et le rend plus rapide et plus précis.

Voici comment fonctionnent généralement les modèles sans ancres :

• Détection de points clés : au lieu d’utiliser des boîtes prédéfinies, certains modèles identifient des points importants sur un objet, comme son centre ou certains de ses coins. Ces points clés aident les modèles à déterminer où se trouve l’objet et quelle est sa taille.
• Centre prédiction : Certains modèles se concentrent sur la prédiction du centre d’un objet. Une fois le centre localisé, le modèle peut prédire la taille et la position de l’objet entier à partir de ce point.
• Régression de carte de chaleur : de nombreux modèles sans ancres utilisent des cartes de chaleur, où chaque pixel représente une position potentielle d’un objet. Des valeurs plus élevées sur la carte de chaleur indiquent une plus grande probabilité qu’un objet soit présent à cet endroit.

Fig. 2. Détection avec ancres et détection sans ancres.

Comme les modèles sans ancres ne s’appuient pas sur des boîtes d’ancrage, leur conception est plus simple. Ils sont donc plus efficaces sur le plan des calculs. Puisqu’ils n’ont pas à traiter plusieurs boîtes d’ancrage, ils peuvent détecter les objets plus rapidement — un avantage important dans les applications en temps réel comme la conduite autonome et la vidéosurveillance.

Les modèles sans ancres sont également bien plus performants pour gérer les objets petits, irréguliers ou masqués. Comme ils se concentrent sur la détection de points clés plutôt que sur l’ajustement de boîtes d’ancrage, ils sont beaucoup plus flexibles. Cela leur permet de détecter les objets avec précision dans des environnements encombrés ou complexes où les modèles à ancres peuvent échouer.

Ultralytics YOLO11 : un détecteur sans ancres#

Conçus à l’origine pour la vitesse et l’efficacité, les modèles YOLO sont progressivement passés des méthodes à ancres à la détection sans ancres, rendant des modèles comme Ultralytics YOLO11 plus rapides, plus flexibles et mieux adaptés à un large éventail d’applications en temps réel.

Voici un aperçu rapide de l’évolution de la conception sans ancres au fil des différentes versions de YOLO :

• Ultralytics YOLOv5u : introduction de la tête Ultralytics Split sans ancres, supprimant le besoin de boîtes d’ancrage prédéfinies. Au lieu de cela, le modèle prédit directement où se trouvent les objets dans une image, ce qui simplifie le processus et améliore la flexibilité et la vitesse.
• YOLOv6 : une nouvelle méthode appelée entraînement assisté par ancres (AAT) a été utilisée, les ancres n’étant exploitées que pendant l’entraînement. Le modèle pouvait ainsi bénéficier de la structure des méthodes à ancres pendant l’entraînement, tout en utilisant la détection sans ancres lors de l’exécution pour gagner en vitesse et en adaptabilité.
• Ultralytics YOLOv8 : passage complet à la détection sans ancres grâce à l’utilisation de la tête Ultralytics Split sans ancres. Le modèle est ainsi devenu plus rapide et plus précis, en particulier pour les objets petits ou de forme atypique qui s’adaptent mal aux boîtes d’ancrage.
• Ultralytics YOLO11 : s’appuie sur l’approche sans ancres de YOLOv8 et optimise encore davantage la détection en éliminant entièrement les boîtes d’ancrage. Il en résulte une détection plus rapide et plus précise pour les applications en temps réel comme le suivi du comportement animal et l’analyse du commerce de détail.

Fig. 3. Comparaison entre Ultralytics YOLOv8 et Ultralytics YOLO11.

Applications concrètes d’Ultralytics YOLO11#

Un excellent exemple des avantages de la détection sans ancres avec Ultralytics YOLO11 concerne les véhicules autonomes. Dans les voitures autonomes, détecter rapidement et précisément les piétons, les autres véhicules et les obstacles est essentiel pour la sécurité. L’approche sans ancres de YOLO11 simplifie le processus de détection en prédisant directement les points clés des objets, comme le centre d’un piéton ou les limites d’un autre véhicule, plutôt qu’en s’appuyant sur des boîtes d’ancrage prédéfinies.

Fig. 4. Avantages de la détection sans ancres avec Ultralytics YOLO11 (image réalisée par l’auteur).

Ultralytics YOLO11 n’a pas besoin d’ajuster ou d’adapter une grille d’ancres à chaque objet, ce qui peut être coûteux en calcul et ralentir le traitement. Il se concentre plutôt sur les caractéristiques clés, ce qui le rend plus rapide et plus efficace. Par exemple, lorsqu’un piéton entre sur la trajectoire du véhicule, YOLO11 peut rapidement localiser sa position en identifiant des points clés, même si la personne est partiellement masquée ou en mouvement. La capacité à s’adapter à des formes et des tailles variées sans boîtes d’ancrage permet à YOLO11 de détecter les objets de manière plus fiable et à des vitesses supérieures, ce qui est essentiel pour la prise de décision en temps réel dans les systèmes de conduite autonome.

Voici d’autres applications dans lesquelles les capacités sans ancres d’Ultralytics YOLO11 se démarquent particulièrement :

• Commerce de détail et gestion des stocks : Ultralytics YOLO11 facilite le suivi des produits en rayon, même lorsqu’ils sont empilés ou partiellement masqués. Cela permet un suivi des stocks plus rapide et plus précis, tout en réduisant les erreurs.
• Imagerie médicale : YOLO11 est également efficace dans le domaine de la santé, où il peut détecter des tumeurs ou d’autres anomalies sur des images médicales. Sa capacité à traiter des objets de forme irrégulière contribue à améliorer la précision du diagnostic de pathologies complexes.
• Suivi de la faune : dans la recherche sur la faune, Ultralytics YOLO11 peut suivre des animaux dans des forêts denses ou des terrains difficiles, aidant les chercheurs à surveiller leur comportement ou à protéger les espèces menacées.
• Analyse sportive : Ultralytics YOLO11 peut être utilisé pour suivre les joueurs, les mouvements du ballon ou d’autres éléments en temps réel pendant des événements sportifs, afin de fournir des informations utiles aux équipes, aux entraîneurs et aux diffuseurs.

Points à prendre en compte lors de l’utilisation de modèles sans ancres#

Même si les modèles sans ancres comme Ultralytics YOLO11 offrent de nombreux avantages, ils présentent certaines limites. L’un des principaux aspects pratiques à prendre en compte est que même les modèles sans ancres peuvent rencontrer des difficultés avec les occultations ou les objets qui se chevauchent fortement. Cela s’explique par le fait que la vision par ordinateur cherche à reproduire la vision humaine et que, tout comme nous avons parfois du mal à identifier des objets masqués, les modèles d’IA peuvent être confrontés à des difficultés similaires.

Un autre facteur intéressant concerne le traitement des prédictions du modèle. Bien que l’architecture des modèles sans ancres soit plus simple que celle des modèles à ancres, un affinage supplémentaire devient nécessaire dans certains cas. Par exemple, des techniques de post-traitement comme la suppression des non-maxima (NMS) peuvent être nécessaires pour éliminer les prédictions qui se chevauchent ou améliorer la précision dans les scènes très peuplées.

Préparer l’avenir de l’IA avec Ultralytics YOLO11#

Le passage de la détection avec ancres à la détection sans ancres a constitué une avancée majeure dans la détection d’objets. Avec des modèles sans ancres comme Ultralytics YOLO11, le processus est simplifié, ce qui améliore à la fois la précision et la vitesse.

Avec Ultralytics YOLO11, nous avons pu constater que la détection d’objets sans ancres excelle dans les applications en temps réel comme les voitures autonomes, la vidéosurveillance et l’imagerie médicale, où une détection rapide et précise est essentielle. Cette approche permet à YOLO11 de s’adapter plus facilement aux différentes tailles d’objets et aux scènes complexes, offrant de meilleures performances dans des environnements variés.

À mesure que la vision par ordinateur continue d’évoluer, la détection d’objets deviendra toujours plus rapide, plus flexible et plus efficace.

Explore notre dépôt GitHub et rejoins notre communauté dynamique pour rester au courant de tout ce qui concerne l’IA. Découvre comment la vision par IA transforme des secteurs comme la fabrication et l’agriculture.