Crée des applications de drone alimentées par l'IA avec Ultralytics YOLO11

Le shopping en magasin et le shopping en ligne peuvent sembler similaires, mais ils reposent sur des logistiques différentes. Les magasins ont besoin de réapprovisionner leurs étagères, tandis que les commandes en ligne dépendent de livraisons à domicile. Grâce aux avancées technologiques, ces deux expériences d'achat sont transformées en parallèle.

Par exemple, un changement majeur est en cours dans le domaine des livraisons. Les drones propulsés par l'IA changent la façon dont les produits arrivent chez nous. Ces drones intelligents devraient gérer environ 808 million deliveries au cours de la prochaine décennie, transformant le ciel en la nouvelle route de livraison du commerce quotidien.

Les drones de livraison utilisent l'intelligence artificielle (IA) et la computer vision, un sous-domaine de l'IA utilisé pour analyser les données visuelles, afin de naviguer et de contourner les obstacles. Les modèles de computer vision tels que Ultralytics YOLO11 peuvent aider les drones à détecter et à suivre des objets en temps réel, leur permettant de mieux comprendre et d'interagir avec leur environnement.

Fig 1. Un drone de livraison transportant un colis vers sa destination.

Des entreprises comme Meituan et DJI intègrent déjà la computer vision dans leurs drones. En fait, l'adoption rapide des drones dans divers secteurs a préparé le AI drone market à atteindre 206,9 milliards de dollars d'ici 2031.

Dans cet article, nous examinerons 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 d'être utilisées dans des scénarios réels.

Utiliser Ultralytics YOLO11 sur des drones pour détecter des maisons#

Une partie essentielle des drones de livraison est leur capacité à détecter des maisons lors de leur navigation. Pour recréer cette capacité et comprendre son fonctionnement, nous allons entraîner un modèle de vision par ordinateur capable d'identifier des maisons dans des images capturées par un drone aérien. Nous allons custom-train Ultralytics YOLO11 pour cela, ce qui implique d'ajuster finement un modèle YOLO11 pré-entraîné afin qu'il reconnaisse et détecte les maisons à l'aide d'exemples étiquetés.

Pour ce faire, nous aurons besoin de données vidéo de haute qualité provenant d'un drone. Fait intéressant, même sans accès à un vrai drone, nous pouvons toujours générer des images aériennes réalistes. Voyons comment.

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

Google Earth Studio est un outil d'animation basé sur le Web que tu peux utiliser pour créer du contenu fixe et animé à partir de l'imagerie satellite et 3D de Google Earth. Nous pouvons l'utiliser pour créer des images 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. Création d'un projet sur Google Earth Studio.

Une fois connecté, tu peux choisir un emplacement pour ta vidéo de drone artificielle. En utilisant la barre de recherche en haut à gauche de la page, tu peux chercher des lieux. Pour ce tutoriel, nous choisirons le Canada. De plus, comme nous allons entraîner un modèle pour détecter des maisons, notre vidéo de drone doit présenter une vue aérienne de maisons.

Fig 3. Choix d'un emplacement avec Google Earth Studio.

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

Fig 4. Définition de 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 pour les images du drone. Pour ce faire, fais glisser la barre (surlignée ci-dessous) vers la droite jusqu'à un moment précis afin de créer l'effet de mouvement pour la prise de vue du drone. Encore une fois, utilise les losanges bleus pour définir le point final.

Fig 5. Définition de la dernière image en déplaçant la barre.

Enfin, tu peux enregistrer ce projet et le rendre en cliquant sur le bouton rouge « Render » en haut à droite de la page. Cela te donnera la vidéo finale de la prise de vue du drone, créant ainsi avec succès une séquence vidéo artificielle.

Fig 6. Rendu de la vidéo finale.

Comment étiqueter les données du drone ?#

Maintenant que nous avons créé des séquences vidéo de drone artificielles, l'étape suivante consiste à label or annotate les maisons qu'elles contiennent. Nous devrons également séparer les images individuelles de la vidéo.

Pour commencer, nous allons installer LabelImg. LabelImg est un outil d'étiquetage d'images open source. Tu peux l'installer directement depuis le terminal en utilisant le gestionnaire de paquets pip en exécutant la commande suivante : “pip install labelImg”.

Après l'installation, tu peux exécuter l'outil en utilisant la commande ‘labelImg’ dans ton terminal ou ton invite de commande. Cela t'amènera à la page ci-dessous.

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

Pendant ce temps, nous pouvons utiliser un convertisseur vidéo-image en ligne ou un outil appelé FFmpeg pour diviser la vidéo en images. FFmpeg est un ensemble de bibliothèques et d'outils permettant de traiter du contenu multimédia tel 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 du drone :

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

Une fois que nous avons séparé les images de la vidéo du drone, nous pouvons commencer à étiqueter les objets (les maisons) qu'elles contiennent. En naviguant vers le dossier d'images via l'outil LabelImg, nous pouvons étiqueter les objets dans chaque image. Assure-toi de sauvegarder et de vérifier chaque image étiquetée. Après avoir annoté les images, nous pouvons maintenant passer à l'entraînement de Ultralytics YOLO11 en utilisant ces données.

Fig 8. Un exemple d'enregistrement d'images annotées.

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

Avant de commencer à entraîner Ultralytics YOLO11, nous allons organiser nos images et nos étiquettes. Commence par créer deux dossiers : l'un nommé "train" et l'autre "valid". Divise tes images entre ces dossiers. À l'intérieur de chacun, crée des sous-dossiers séparés pour les images et leurs fichiers d'étiquettes correspondants (au format texte), comme indiqué ci-dessous.

Fig 9. Un exemple de création de dossiers d'images et d'étiquettes.

Ensuite, nous pouvons commencer à entraîner le modèle Ultralytics YOLO11 comme suit :

• Étape 1 : Installe le Ultralytics Python package. Tu peux le faire en exécutant la commande “pip install ultralytics” dans ton terminal. Si tu rencontres des problèmes d'installation, consulte notre troubleshooting guide pour trouver des conseils et astuces afin de les résoudre.
• Étape 2 : Une fois le paquet installé, crée un fichier nommé ‘data.yaml’. Il s'agit d'un fichier de configuration crucial pour entraîner le modèle. Dans le fichier data.yaml, inclus les informations suivantes : le chemin d'accès à ton jeu de données d'entraînement, le chemin d'accès à ton jeu de données de validation, le nombre de classes (nc) et une liste de noms de classes (names), comme indiqué ci-dessous.

Fig 10. Un exemple de fichier data.yaml.

• Étape 3 : Une fois le fichier ‘data.yaml’ configuré, tu peux lancer l'entraînement de ton modèle à l'aide du code Python suivant. Ce code charge le modèle pré-entraîné Ultralytics YOLO11 et l'entraîne selon tes configurations.

from ultralytics import YOLO

# Load a Ultralytics 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 un résultat similaire à celui présenté ci-dessous. Cela signifie que tu as entraîné avec succès ton modèle Ultralytics YOLO11 pour des applications basées sur des drones.

Fig 11. Le résultat affiché après l'entraînement du modèle.

Exécution de prédictions avec Ultralytics YOLO11 sur des drones#

Le modèle Ultralytics YOLO11 entraîné peut désormais être utilisé pour faire des prédictions via un processus appelé inférence. L'inférence consiste à utiliser un modèle pour analyser de nouvelles données inédites en se basant sur ce qu'il a appris lors de 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 dessinant 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 de drone artificielle que celle utilisée pour l'entraînement, mais tu peux utiliser n'importe quel autre fichier vidéo si tu préfères.

# 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 avec les prédictions et les boîtes englobantes sera enregistré.

Fig 12. Une image du fichier vidéo de sortie.

Intégration d'Ultralytics YOLO11 sur des drones pour diverses applications#

La détection de maisons pour les colis de livraison par drone n'est qu'un exemple de la manière dont la vision par ordinateur et Ultralytics YOLO11 peuvent être appliqués. Voici quelques autres cas d'usage réels de la vision par ordinateur, de YOLO11 et des drones aériens :

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

• Réponse aux catastrophes et recherche et sauvetage : Équipés de caméras thermiques et de détection d'objets, les drones peuvent aider à localiser des survivants dans les zones sinistrées. Ils peuvent également évaluer les dégâts et livrer des fournitures d'urgence.

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

• Cartographie et analyse géospatiale : En collectant des cartes 3D haute résolution, les drones IA peuvent aider à la planification urbaine et aux relevés topographiques. Ils fournissent des évaluations de terrain plus rapides et plus précises que les méthodes traditionnelles.

Points clés#

Les drones dopés à l'IA grâce à la vision par ordinateur transforment de nombreux secteurs, qu'il s'agisse de la livraison de colis, de l'aide d'urgence ou de l'agriculture. Dans ce guide, nous avons parcouru la création d'une vidéo de drone artificielle, l'étiquetage des objets qu'elle contient, l'entraînement d'Ultralytics YOLO11 et son utilisation pour détecter des maisons.

L'application de la détection d'objets aux images de drones rend ces appareils plus intelligents, leur permettant de reconnaître et de suivre automatiquement les 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 aider aux interventions en cas de catastrophe.

Rejoins our community et explore notre GitHub repository pour en savoir plus sur l'IA de vision, et consulte our licensing options pour lancer tes projets de computer vision. Intéressé par des innovations telles que AI in manufacturing ou computer vision in the automotive industrie ? Visite nos pages de solutions pour en découvrir davantage.