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

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

Par exemple, les livraisons connaissent une transformation majeure. Les drones alimentés par l’IA changent la façon dont les produits arrivent chez nous. Ces drones intelligents devraient effectuer environ 808 millions de livraisons au cours de la prochaine décennie, faisant du ciel la nouvelle voie 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 qui sert à analyser les données visuelles, pour naviguer et éviter les 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 qui transporte un colis jusqu’à sa destination.

Des entreprises comme Meituan et DJI intègrent déjà la vision par ordinateur à leurs drones. En effet, l’adoption rapide des drones dans divers secteurs devrait faire atteindre au marché des drones IA 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 reposant sur des drones, telles que la livraison par drone. Nous présenterons un exemple qui montrera comment développer et tester ces technologies avant de les utiliser dans des situations réelles.

Utiliser Ultralytics YOLO11 sur des drones pour détecter des maisons#

La capacité à détecter les maisons pendant la navigation est essentielle pour les drones de livraison. Pour reproduire cette capacité et comprendre son fonctionnement, nous allons entraîner un modèle de vision par ordinateur capable d’identifier les maisons dans des séquences filmées par un drone aérien. Nous allons entraîner un modèle personnalisé avec Ultralytics YOLO11 en ajustant un modèle YOLO11 préentraîné pour qu’il reconnaisse et détecte les maisons à partir d’exemples annotés.

Pour cela, nous aurons besoin de vidéos de haute qualité filmées par un drone. Fait intéressant, même sans avoir accès à un véritable drone, nous pouvons tout de même générer des prises de vue aériennes réalistes. Voyons comment.

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 satellite et 3D de Google Earth. Nous pouvons l’utiliser pour créer des prises de vue 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 dans Google Earth Studio.

Une fois connecté, tu peux choisir un lieu pour ta vidéo de drone artificielle. Utilise la barre de recherche en haut à gauche de la page pour rechercher des lieux. Pour ce tutoriel, nous choisirons le Canada. De plus, puisque nous allons entraîner un modèle à détecter des maisons, notre vidéo de drone doit montrer des maisons en vue aérienne.

Fig. 3. Choix d’un lieu avec Google Earth Studio.

Ensuite, nous pouvons définir les premières et dernières images pour capturer le mouvement de la prise de vue artificielle par drone. Une fois le lieu de départ du plan choisi, 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 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 cet effet de mouvement. Une fois encore, utilise les losanges bleus pour définir le dernier point.

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

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

Fig. 6. Rendu de la vidéo finale.

Comment annoter les données du drone ?#

Maintenant que nous avons créé une séquence vidéo artificielle filmée par drone, l’étape suivante consiste à étiqueter ou annoter les maisons qu’elle contient. Nous devrons également séparer les différentes images de la vidéo.

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

Après l’installation, tu peux lancer l’outil depuis ton terminal ou ton invite de commandes avec la commande « labelImg ». La page illustrée ci-dessous s’affichera alors.

Fig. 7. Interface de l’outil LabelImg.

Pendant ce temps, nous pouvons utiliser un convertisseur vidéo-image en ligne ou un outil appelé FFmpeg pour découper la vidéo en images. FFmpeg est un ensemble de bibliothèques et d’outils permettant de traiter des contenus multimédias comme 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 filmée par le drone :

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

Une fois les images de la vidéo filmée par le drone séparées, nous pouvons commencer à y étiqueter les objets (les maisons). En accédant au dossier des images depuis l’outil LabelImg, nous pouvons étiqueter les objets dans chaque image. Pense à enregistrer et à vérifier chaque image étiquetée. 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.

Workflow d’entraînement du modèle Ultralytics YOLO11#

Avant de commencer l’entraînement d’Ultralytics YOLO11, nous allons organiser nos images et leurs 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 à entraîner le 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 trouver des conseils et des astuces qui t’aideront à les résoudre.
• Étape 2 : Après avoir installé le package, crée un fichier nommé « data.yaml ». Ce fichier de configuration est essentiel à l’entraînement du modèle. Dans le fichier data.yaml, indique les informations suivantes : le chemin d’accès au jeu de données d’entraînement, le chemin d’accès au jeu de données de validation, le nombre de classes (nc) et une liste des 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 l’entraînement de ton modèle à l’aide du code Python suivant. Ce code charge le modèle Ultralytics YOLO11 préentraîné et l’entraîne selon ta configuration.

from ultralytics import YOLO

# Charger un modèle YOLO11
model = YOLO("yolo11n.pt")  # choisir ton modèle, par ex. YOLO11 nano

# Entraîner le modèle avec tes données et tes paramètres
model.train(data="data.yaml", epochs=100, imgsz=640)

• Étape 4 : Une fois l’entraînement terminé, tu devrais obtenir un résultat semblable à celui illustré ci-dessous. Cela signifie que tu as entraîné avec succès ton modèle Ultralytics YOLO11 pour des applications reposant sur des drones.

Fig. 11. Résultat affiché après l’entraînement du modèle.

Exécuter des prédictions avec Ultralytics YOLO11 sur des drones#

Tu peux désormais utiliser le modèle Ultralytics YOLO11 entraîné pour effectuer des prédictions, un processus appelé inférence. L’inférence consiste à utiliser un modèle pour analyser de nouvelles données inédites à partir de ce qu’il a appris pendant l’entraînement. Dans ce cas, le modèle peut détecter et étiqueter des objets précis, comme des maisons, dans des images ou des vidéos en dessinant des cadres de délimitation autour d’eux.

Pour effectuer 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 employée pour l’entraînement, mais tu peux choisir un autre fichier vidéo.

# Importer la bibliothèque
from ultralytics import YOLO

# Charger le modèle YOLO
model = YOLO("best.pt")  # Choisir ton modèle entraîné sur mesure

# Prédire les résultats du modèle
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 cadres de délimitation sera enregistré.

Fig. 12. Une image extraite du fichier vidéo de sortie.

Intégrer Ultralytics YOLO11 sur des drones pour diverses applications#

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

• Surveillance et sécurité : les drones IA peuvent servir à 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 et 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 servir à analyser l’état des cultures et à détecter les maladies, aidant ainsi les agriculteurs à augmenter leurs rendements tout en réduisant leurs 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 de vision par ordinateur transforment de nombreux secteurs, de la livraison de colis à l’aide en cas d’urgence et à l’agriculture. Dans ce guide, nous avons parcouru les étapes de création d’une vidéo artificielle de drone, d’annotation des objets qu’elle contient, d’entraînement d’Ultralytics YOLO11 et d’utilisation du modèle pour détecter des maisons.

L’application de la détection d’objets aux séquences filmées par drone rend ces drones plus intelligents et leur permet 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, renforcer la sécurité et contribuer aux interventions en cas de catastrophe.

Rejoins notre communauté et explore notre dépôt GitHub pour en savoir plus sur l’IA visuelle, puis consulte nos options de licence pour lancer tes projets de vision par ordinateur. Tu t’intéresses aux innovations comme l’IA dans l’industrie ou la vision par ordinateur dans l’industrie automobile ? Consulte nos pages de solutions pour en découvrir davantage.