Crée des applications de drones alimentées par l’IA avec Ultralytics YOLO11

Les achats en magasin et les achats en ligne peuvent sembler similaires, mais ils reposent sur des logistiques différentes. Les magasins doivent réapprovisionner leurs rayons, tandis que les commandes en ligne dépendent des livraisons à domicile. Grâce aux avancées technologiques, ces deux expériences d’achat sont transformées en parallèle.

Par exemple, un changement majeur est en train de s’opérer dans les livraisons. Les drones alimentés par l’IA transforment la manière dont les produits arrivent à notre domicile. Ces drones intelligents devraient assurer environ 808 millions de livraisons au cours de la prochaine décennie, faisant du ciel le nouvel itinéraire de livraison du commerce quotidien.

Les drones de livraison utilisent l’intelligence artificielle (AI) et la vision par ordinateur, un sous-domaine de l’IA utilisé pour analyser des données visuelles, afin de se déplacer et de manœuvrer autour des obstacles. Les modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent aider les drones à détecter et à suivre des objets en temps réel, ce qui leur permet de mieux comprendre leur environnement et d’interagir avec lui.

Fig. 1. Un drone de livraison acheminant un colis jusqu’à sa destination.

Des entreprises comme Meituan et DJI intègrent déjà la vision par ordinateur à leurs drones. En fait, l’adoption rapide des drones dans différents secteurs a propulsé le marché des drones dotés d’IA, qui devrait atteindre 206,9 milliards de dollars d’ici 2031.

Dans cet article, nous allons examiner de plus près comment les modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent être utilisés dans des applications basées sur des drones, telles que les livraisons par drone. Nous parcourrons un exemple qui montrera comment ces technologies peuvent être développées et testées avant leur utilisation dans des situations réelles.

Utiliser Ultralytics YOLO11 sur des drones pour détecter des maisons#

Une fonction essentielle des drones de livraison est leur capacité à détecter les maisons pendant leurs déplacements. Pour reproduire cette capacité et comprendre son fonctionnement, nous allons entraîner un modèle de vision par ordinateur capable d’identifier des maisons dans des séquences filmées par un drone aérien. Nous allons entraîner Ultralytics YOLO11 sur mesure à cette fin, ce qui consiste à affiner un modèle YOLO11 préentraîné afin qu’il reconnaisse et détecte les maisons à partir d’exemples annotés.

Pour cela, nous aurons besoin de données vidéo de haute qualité provenant d’un drone. Fait intéressant, même sans accès à un véritable drone, nous pouvons quand même générer des séquences aériennes réalistes. Voyons comment procéder.

Créer une prise de vue artificielle par drone avec Google Earth Studio#

Google Earth Studio est un outil d’animation en ligne qui permet de créer des contenus fixes et animés à partir des images satellites et des images 3D de Google Earth. Nous pouvons l’utiliser pour créer des séquences aériennes réalistes.

La première étape consiste à ouvrir Google Earth Studio et à créer un projet, comme illustré ci-dessous.

Tu auras besoin d’un compte Google pour te connecter.

Fig. 2. Créer un projet dans Google Earth Studio.

Une fois connecté, tu peux choisir un emplacement pour ta vidéo de drone artificielle. À l’aide de la barre de recherche située dans le coin supérieur gauche de la page, tu peux rechercher des emplacements. Pour ce tutoriel, nous choisirons le Canada. De plus, puisque nous allons entraîner un modèle à détecter des maisons, notre vidéo de drone doit offrir une vue aérienne de maisons.

Fig. 3. Choisir un emplacement à l’aide de Google Earth Studio.

Ensuite, nous pouvons définir les première et dernière images afin de capturer le mouvement de la prise de vue artificielle par drone. Une fois l’emplacement de départ choisi pour la prise de vue, définis la première image à l’aide des losanges bleus, comme illustré ci-dessous.

Fig. 4. Définir la première image à l’aide des losanges bleus.

Ensuite, nous pouvons choisir la dernière image pour déterminer la destination du drone. Cela nous aidera à créer un effet de mouvement dans la séquence filmée par le drone. Pour cela, fais glisser la barre (mise en évidence ci-dessous) vers la droite jusqu’à un moment précis afin de créer l’effet de mouvement de la prise de vue par drone. Une fois encore, utilise les losanges bleus pour définir le dernier point.

Fig. 5. Définir la dernière image en déplaçant la barre.

Enfin, tu peux enregistrer ce projet et effectuer son rendu en cliquant sur le bouton rouge « Render » situé dans le coin supérieur droit de la page. Tu obtiendras ainsi la vidéo finale de la prise de vue par drone, ce qui permettra de créer avec succès une séquence vidéo artificielle de drone.

Fig. 6. Effectuer le rendu de la vidéo finale.

Comment annoter les données du drone ?#

Maintenant que nous avons créé une séquence vidéo artificielle de drone, l’étape suivante consiste à étiqueter ou annoter les maisons qui y apparaissent. Nous devons également séparer les différentes images de la vidéo.

Pour commencer, nous allons installer LabelImg. LabelImg est un outil open source d’annotation d’images. Tu peux l’installer directement depuis le terminal à l’aide de l’installateur de paquets pip en exécutant la commande suivante : « pip install labelImg ».

Après l’installation, tu peux lancer l’outil à l’aide de la commande « labelImg » dans ton terminal ou ton invite de commandes. La page affichée ci-dessous s’ouvrira alors.

Fig. 7. L’interface de l’outil LabelImg.

Entre-temps, nous pouvons utiliser soit un convertisseur vidéo-image en ligne, soit un outil appelé FFmpeg pour diviser la vidéo en images. FFmpeg est un ensemble de bibliothèques et d’outils permettant de traiter des contenus multimédias tels que l’audio, la vidéo, les sous-titres et les métadonnées associées.

Tu peux utiliser la commande de terminal suivante pour séparer chaque image de la vidéo de la séquence filmée par le drone :

ffmpeg -i input_video.mp4 frame_%04d.png

Une fois les images de la séquence filmée par le drone séparées, nous pouvons commencer à étiqueter les objets (les maisons) qui y apparaissent. En accédant au dossier d’images via l’outil LabelImg, nous pouvons étiqueter les objets dans chaque image. Veille à enregistrer et à vérifier chaque image annotée. Après avoir annoté les images, nous pouvons passer à l’entraînement d’Ultralytics YOLO11 avec ces données.

Fig. 8. Exemple d’enregistrement d’images annotées.

Flux de travail pour l’entraînement du modèle Ultralytics YOLO11#

Avant de commencer l’entraînement d’Ultralytics YOLO11, nous allons organiser nos images et nos étiquettes. Commence par créer deux dossiers : l’un nommé « train » et l’autre « valid ». Répartis tes images entre ces dossiers. Dans chacun d’eux, crée des sous-dossiers distincts pour les images et leurs fichiers d’étiquettes correspondants (au format texte), comme illustré ci-dessous.

Fig. 9. Exemple de création de dossiers pour les images et les étiquettes.

Nous pouvons ensuite commencer l’entraînement du modèle Ultralytics YOLO11 comme suit :

• Étape 1 : Installe le package Python Ultralytics. Pour cela, exécute la commande « pip install ultralytics » dans ton terminal. Si tu rencontres des problèmes d’installation, consulte notre guide de dépannage pour obtenir des conseils et des astuces afin de les résoudre.
• Étape 2 : Après avoir installé le package, crée un fichier nommé « data.yaml ». Il s’agit d’un fichier de configuration essentiel à l’entraînement du modèle. Dans le fichier data.yaml, inclus les informations suivantes : le chemin vers ton jeu de données d’entraînement, le chemin vers ton jeu de données de validation, le nombre de classes (nc) et une liste de noms de classes (names), comme illustré ci-dessous.

Fig. 10. Exemple de fichier data.yaml.

• Étape 3 : Une fois le fichier « data.yaml » configuré, tu peux commencer à entraîner ton modèle à l’aide du code Python suivant. Ce code charge le modèle Ultralytics YOLO11 préentraîné et l’entraîne conformément à tes configurations.

from ultralytics import YOLO

# Load a YOLO11 model
model = YOLO("yolo11n.pt")  # choose your model, e.g., YOLO11 nano

# Train the model with your data and settings
model.train(data="data.yaml", epochs=100, imgsz=640)

• Étape 4 : Une fois l’entraînement terminé, tu devrais voir une sortie similaire à celle présentée ci-dessous. Cela signifie que tu as entraîné avec succès ton modèle Ultralytics YOLO11 pour des applications basées sur des drones.

Fig. 11. Sortie affichée après l’entraînement du modèle.

Exécuter des prédictions avec Ultralytics YOLO11 sur des drones#

Le modèle Ultralytics YOLO11 entraîné peut maintenant être utilisé pour effectuer des prédictions grâce à un processus appelé inférence. L’inférence consiste à utiliser un modèle pour analyser de nouvelles données inédites en fonction de ce qu’il a appris pendant l’entraînement. Dans ce cas, le modèle peut être utilisé pour trouver et étiqueter des objets spécifiques, comme des maisons, dans des images ou des vidéos en traçant des boîtes englobantes autour d’eux.

Pour exécuter une prédiction, tu peux utiliser le modèle Ultralytics YOLO11 entraîné sur une vidéo d’entrée à l’aide du code Python suivant. Dans cet exemple, nous utiliserons la même vidéo artificielle de drone que celle utilisée pour l’entraînement, mais tu peux utiliser n’importe quel autre fichier vidéo si tu le souhaites.

# Import library
from ultralytics import YOLO

# Load the YOLO model
model = YOLO("best.pt")  # Choose your custom-trained model

# Predict the results from the model
results = model.predict(source="path/to/original/video.mp4", show=True, save=True)

Après l’exécution de ce code, le fichier vidéo de sortie contenant les prédictions et les boîtes englobantes sera enregistré.

Fig. 12. Une image de la vidéo de sortie.

Intégrer Ultralytics YOLO11 à des drones pour diverses applications#

La détection de maisons pour les colis livrés par drone n’est qu’un exemple de l’utilisation possible de la vision par ordinateur et d’Ultralytics YOLO11. Voici d’autres applications concrètes de la vision par ordinateur, de YOLO11 et des drones aériens :

• Surveillance et sécurité : Les drones dotés d’IA peuvent être utilisés pour surveiller de vastes zones en temps réel. Ils peuvent détecter les intrusions, suivre les activités suspectes et renforcer la sécurité aux frontières nationales ainsi que lors de grands événements publics.

• Intervention en cas de catastrophe, recherche et sauvetage : Équipés de caméras thermiques et de systèmes de détection d’objets, les drones peuvent aider à localiser les survivants dans les zones sinistrées. Ils peuvent également évaluer les dégâts et livrer des fournitures d’urgence.

• Agriculture et agriculture de précision : Les drones intégrant la vision par ordinateur peuvent être utilisés pour analyser l’état des cultures et détecter les maladies, aidant ainsi les agriculteurs à augmenter les rendements tout en réduisant les coûts.

• Cartographie et analyse géospatiale : En collectant des cartes 3D haute résolution, les drones dotés d’IA peuvent contribuer à l’urbanisme et aux relevés fonciers. Ils fournissent des évaluations du terrain plus rapides et plus précises que les méthodes traditionnelles.

Points clés à retenir#

Les drones dotés d’IA et alimentés par la vision par ordinateur transforment de nombreux secteurs, de la livraison de colis à l’aide apportée lors des situations d’urgence et dans l’agriculture. Dans ce guide, nous avons expliqué comment créer une vidéo artificielle de drone, y annoter des objets, entraîner Ultralytics YOLO11 et l’utiliser pour détecter des maisons.

L’application de la détection d’objets aux séquences filmées par drone rend ces drones plus intelligents, en leur permettant de reconnaître et de suivre automatiquement des objets en temps réel. À mesure que la technologie progresse, les drones pilotés par l’IA joueront probablement un rôle encore plus important pour accélérer les livraisons, améliorer la sécurité et contribuer aux interventions en cas de catastrophe.

Rejoins notre communauté et consulte notre dépôt GitHub pour en savoir plus sur l’IA appliquée à la vision, et découvre nos options de licence pour démarrer tes projets de vision par ordinateur. Tu t’intéresses à des innovations comme l’IA dans l’industrie manufacturière ou à la vision par ordinateur dans l’industrie automobile ? Consulte nos pages consacrées aux solutions pour en savoir plus.