Entraînement personnalisé de Ultralytics YOLO11 avec des jeux de données de vision par ordinateur

L'entraînement d'un modèle de vision par ordinateur comme Ultralytics YOLO11 implique généralement la collecte d'images pour ton jeu de données, leur annotation, la préparation des données et le réglage fin du modèle pour répondre à tes besoins spécifiques. Bien que le paquet Python Ultralytics rende ces étapes simples et conviviales, le développement de l'IA visuelle peut encore prendre du temps.

Cela devient particulièrement vrai lorsque tu travailles avec des délais serrés ou que tu développes un prototype. Dans ces situations, disposer d'outils ou d'intégrations qui simplifient certaines parties du processus - comme la rationalisation de la préparation des jeux de données ou l'automatisation de tâches répétitives - peut faire une grande différence. En réduisant le temps et les efforts nécessaires, ces solutions t'aident à te concentrer sur la construction et l'affinage de ton modèle. C'est exactement ce que propose l'intégration Roboflow.

L'intégration Roboflow te permet d'accéder facilement aux jeux de données de Roboflow Universe, une vaste bibliothèque de jeux de données de vision par ordinateur open source. Au lieu de passer des heures à collecter et organiser tes données, tu peux rapidement trouver et utiliser des jeux de données existants pour démarrer ton processus d'entraînement YOLO11. Cette intégration rend l'expérimentation et l'itération sur le développement de ton modèle de vision par ordinateur beaucoup plus rapides et simples.

Dans cet article, nous plongerons dans la manière dont tu peux tirer parti de l'intégration Roboflow pour un développement de modèle plus rapide. Commençons !

Link to this sectionQu'est-ce que Roboflow Universe ?#

Roboflow Universe est une plateforme maintenue par Roboflow, une entreprise axée sur la simplification du développement de la vision par ordinateur. Elle se compose de plus de 350 millions d'images, 500 000 jeux de données et 100 000 modèles affinés pour des tâches comme la détection d'objets, la classification d'images et la segmentation. Avec les contributions de développeurs et de chercheurs du monde entier, Roboflow Universe est un hub collaboratif pour quiconque cherche à démarrer ou à améliorer ses projets de vision par ordinateur.

Fig 1. Exemples de jeux de données de détection d'objets sur Roboflow Universe.

Roboflow Universe inclut les fonctionnalités clés suivantes :

• Outils d'exploration de jeux de données : Explore, filtre et visualise des jeux de données pour trouver rapidement les ressources qui correspondent aux besoins de ton projet.
• Options d'exportation : Exporte tes données dans des formats tels que COCO, YOLO, TFRecord, CSV, et plus encore pour adapter le tout à ton flux de travail.
• Analytique de jeux de données : Obtiens des aperçus sur divers jeux de données avec des outils analytiques qui fournissent des visualisations des distributions d'étiquettes, des déséquilibres de classes et de la qualité des données.
• Suivi de version : Consulte et accède à différentes versions de jeux de données téléchargées par des contributeurs, ce qui te permet de suivre les mises à jour, de comparer les changements et de choisir la version qui convient le mieux aux besoins de ton projet.

Link to this sectionL'intégration Roboflow t'aide à trouver les bonnes données#

Trouver le bon jeu de données est souvent l'une des parties les plus difficiles de la construction d'un modèle de vision par ordinateur. Créer un jeu de données implique généralement de rassembler de grandes quantités d'images, de s'assurer qu'elles sont pertinentes pour ta tâche, puis de les étiqueter avec précision.

Ce processus peut prendre beaucoup de temps et de ressources, surtout si tu expérimentes différentes approches sur une courte période. Même trouver des jeux de données préexistants peut être délicat, car ils sont souvent dispersés sur différentes plateformes, mal documentés ou dépourvus des annotations spécifiques dont tu as besoin.

Par exemple, si tu construis une application de vision par ordinateur pour détecter les mauvaises herbes dans les champs agricoles, tu pourrais vouloir tester différentes approches d'IA visuelle, comme la détection d'objets par rapport à la segmentation d'instances. Cela te permet d'expérimenter et de déterminer quelle méthode fonctionne le mieux avant de consacrer du temps et des efforts à collecter et étiqueter ton propre jeu de données.

Fig 2. Détection de pièces automobiles avec YOLO11.

En utilisant l'intégration Roboflow, tu peux parcourir une variété de jeux de données liés à l'agriculture, y compris ceux axés sur la détection des mauvaises herbes, la santé des cultures ou la surveillance des champs. Ces jeux de données prêts à l'emploi te permettent d'essayer différentes techniques et d'affiner ton modèle sans l'effort initial de création de tes propres données.

Link to this sectionComment fonctionne l'intégration Roboflow#

Maintenant que nous avons discuté de la manière dont tu peux utiliser l'intégration Roboflow pour trouver les bons jeux de données, regardons comment elle s'intègre dans ton flux de travail. Une fois que tu as choisi un jeu de données sur Roboflow Universe, tu peux l'exporter ou le télécharger au format YOLO11. Après l'exportation de ton jeu de données, tu peux l'utiliser pour entraîner ton modèle YOLO11 de manière personnalisée avec le paquet Python Ultralytics.

Pendant le téléchargement de ton jeu de données, tu remarqueras peut-être que Roboflow Universe prend également en charge d'autres formats pour l'entraînement de différents modèles. Alors, pourquoi devrais-tu choisir d'entraîner ton modèle YOLO11 de manière personnalisée avec Ultralytics ?

YOLO11 est la dernière version des modèles Ultralytics YOLO et est conçue pour offrir une détection d'objets plus rapide et plus précise. Il utilise 22 % de paramètres en moins (les valeurs internes qu'un modèle ajuste pendant l'entraînement pour faire des prédictions) que YOLOv8m, tout en atteignant une précision moyenne (mAP) plus élevée sur le jeu de données COCO. Cet équilibre entre vitesse et précision fait de YOLO11 un choix polyvalent pour un large éventail d'applications de vision par ordinateur, surtout lors de l'entraînement personnalisé de modèles adaptés à des tâches spécifiques.

Voici un aperçu plus détaillé du fonctionnement de l'entraînement personnalisé de YOLO11 :

• Alimentation en données : Le modèle YOLO11 traite ton jeu de données, apprenant à détecter et classer les objets à partir des images et de leurs annotations.
• Prédiction et rétroaction : Le modèle fait des prédictions sur les objets dans les images et les compare aux bonnes réponses fournies dans le jeu de données.
• Suivi des performances : Des métriques comme la précision (détections correctes), le rappel (détections manquées) et la perte (erreurs de prédiction) sont surveillées pour évaluer les progrès.
• Apprentissage itératif : Le modèle ajuste ses paramètres sur plusieurs cycles (époques) pour améliorer la précision de la détection et minimiser les erreurs.
• Résultat final du modèle : Après l'entraînement, le modèle optimisé est enregistré et prêt pour le déploiement.

Link to this sectionAutres intégrations axées sur le développement de la vision par ordinateur#

En explorant l'intégration Roboflow, tu remarqueras d'autres intégrations mentionnées dans la documentation Ultralytics. Nous prenons en charge une variété d'intégrations liées à diverses étapes du développement de la vision par ordinateur.

Ceci est fait pour offrir à notre communauté un éventail d'options, afin que tu puisses choisir ce qui fonctionne le mieux pour ton flux de travail spécifique.

Fig 3. Un aperçu des intégrations prises en charge par Ultralytics.

En plus des jeux de données, d'autres intégrations prises en charge par Ultralytics se concentrent sur diverses parties du processus de vision par ordinateur, telles que l'entraînement, le déploiement et l'optimisation. Voici quelques exemples d'autres intégrations que nous prenons en charge :

• Intégrations d'entraînement : Des intégrations comme Amazon SageMaker et Paperspace Gradient rationalisent les flux de travail d'entraînement en offrant des plateformes basées sur le cloud pour un développement et des tests de modèles efficaces.
• Intégrations de flux de travail et de suivi d'expériences : ClearML, MLflow et Weights & Biases (W&B) aident à automatiser les flux de travail, à suivre les expériences et à améliorer la collaboration, facilitant ainsi la gestion des projets d'apprentissage automatique.
• Intégrations d'optimisation et de déploiement : CoreML, ONNX et OpenVINO permettent un déploiement optimisé sur divers appareils et frameworks, garantissant des performances efficaces sur des plateformes telles que le matériel Apple et les processeurs Intel.
• Intégrations de surveillance et de visualisation : TensorBoard et Weights & Biases fournissent des outils pour visualiser la progression de l'entraînement et surveiller les performances, offrant des informations détaillées pour affiner les modèles.

Link to this sectionApplications de YOLO11 et rôle des intégrations#

Les intégrations qui soutiennent le développement de la vision par ordinateur, combinées aux capacités fiables de YOLO11, facilitent la résolution de défis réels. Considère les innovations comme la vision par ordinateur dans la fabrication, où l'IA visuelle est utilisée pour détecter les défauts sur une ligne de production - comme les rayures sur des pièces métalliques ou des composants manquants. Collecter les bonnes données pour de telles tâches peut souvent être lent et difficile, nécessitant l'accès à des environnements spécialisés.

Cela implique généralement l'installation de caméras ou de capteurs le long des lignes de production pour capturer des images des produits. Ces images doivent être prises en grands volumes, souvent sous un éclairage et des angles cohérents, pour garantir la clarté et l'uniformité.

Une fois capturées, les images doivent être méticuleusement annotées avec des étiquettes précises pour chaque type de défaut, comme les rayures, les bosses ou les composants manquants. Ce processus nécessite beaucoup de temps et de ressources, ainsi qu'une expertise, pour s'assurer que le jeu de données reflète fidèlement la variabilité du monde réel. Des facteurs comme les différentes tailles, formes et matériaux des défauts doivent être pris en compte pour créer un jeu de données robuste et fiable.

Les intégrations qui fournissent des jeux de données prêts à l'emploi facilitent les tâches comme le contrôle qualité industriel, et grâce aux capacités de détection en temps réel de YOLO11, les fabricants peuvent surveiller les lignes de production, détecter les défauts instantanément et améliorer l'efficacité.

Fig 4. Un exemple d'utilisation d'Ultralytics YOLO11 pour détecter et compter des canettes en cours de fabrication.

Au-delà de la fabrication, les intégrations liées aux jeux de données peuvent être utilisées dans de nombreuses autres industries. En combinant la vitesse et la précision de YOLO11 avec des jeux de données facilement accessibles, les entreprises peuvent rapidement développer et déployer des solutions adaptées à leurs besoins spécifiques. Prends, par exemple, la santé - les intégrations de jeux de données peuvent aider à développer des solutions pour analyser des images médicales afin de détecter des anomalies comme des tumeurs. De même, dans la conduite autonome, de telles intégrations peuvent aider à identifier les véhicules, les piétons et les panneaux de signalisation pour améliorer la sécurité.

Link to this sectionPoints clés#

Trouver le bon jeu de données est souvent l'une des parties les plus chronophages de la construction d'un modèle de vision par ordinateur. Cependant, l'intégration Roboflow facilite la recherche du meilleur jeu de données pour l'entraînement personnalisé de tes modèles Ultralytics YOLO, même si tu es novice en vision par ordinateur.

Avec l'accès à une vaste collection de jeux de données pour des tâches de vision par ordinateur comme la détection d'objets, la classification d'images ou la segmentation d'instances, Roboflow Universe élimine les tracas du processus de découverte de données. Il t'aide à démarrer rapidement et à te concentrer sur la construction de ton modèle plutôt que de passer du temps à collecter et organiser les données. Cette approche rationalisée permet aux développeurs de prototyper, d'itérer et de développer des solutions de vision par ordinateur plus efficacement.

Pour en savoir plus, visite notre dépôt GitHub et engage-toi auprès de notre communauté. Explore les innovations dans des domaines comme l'IA dans les voitures autonomes et la vision par ordinateur en agriculture sur nos pages de solutions. 🚀