Entraînement personnalisé d’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 de collecter des images pour ton jeu de données, de les annoter, de préparer les données et d’ajuster finement le modèle pour répondre à tes besoins spécifiques. Même si le package Python Ultralytics rend ces étapes simples et conviviales, le développement de solutions d’IA pour la vision peut rester chronophage.

Cela est particulièrement vrai lorsque tu dois respecter un délai serré ou développer un prototype. Dans ces situations, disposer d’outils ou d’intégrations qui simplifient certaines étapes du processus — comme la rationalisation de la préparation des jeux de données ou l’automatisation des tâches répétitives — peut faire une grande différence. En réduisant le temps et les efforts nécessaires, ces solutions t’aident à te concentrer sur la création et l’amélioration 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 les données, tu peux rapidement trouver et utiliser des jeux de données existants pour lancer ton processus d’entraînement d’Ultralytics YOLO11. Cette intégration rend l’expérimentation et l’itération lors du développement de ton modèle de vision par ordinateur beaucoup plus rapides et simples.

Dans cet article, nous allons voir comment tirer parti de l’intégration Roboflow pour accélérer le développement de modèles. C’est parti !

Qu’est-ce que Roboflow Universe ?#

Roboflow Universe est une plateforme gérée par Roboflow, une entreprise qui se consacre à simplifier le développement de solutions de vision par ordinateur. Elle comprend plus de 350 millions d’images, 500 000 jeux de données et 100 000 modèles ajustés pour des tâches comme la détection d’objets, la classification d’images et la segmentation. Grâce aux contributions de développeurs et de chercheurs du monde entier, Roboflow Universe est un espace collaboratif pour toute personne souhaitant démarrer ou 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 des jeux de données : explore, filtre et visualise les jeux de données pour trouver rapidement les ressources correspondant aux exigences de ton projet.
• Options d’exportation : exporte les données dans des formats comme COCO, YOLO, TFRecord, CSV et bien d’autres pour les adapter à ton flux de travail.
• Analyse des jeux de données : obtiens des informations sur différents jeux de données grâce à des outils d’analyse qui fournissent des visualisations de la répartition des labels, des déséquilibres entre les classes et de la qualité des jeux de données.
• Suivi des versions : consulte et accède aux différentes versions des jeux de données importés par les contributeurs, ce qui te permet de suivre les mises à jour, de comparer les changements et de choisir la version la mieux adaptée aux besoins de ton projet.

L’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 création d’un modèle de vision par ordinateur. Créer un jeu de données implique généralement de rassembler de grandes quantités d’images, de vérifier leur pertinence pour ta tâche, puis de les étiqueter précisément.

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 existants peut être difficile, car ils sont souvent répartis sur plusieurs plateformes, mal documentés ou dépourvus des annotations spécifiques dont tu as besoin.

Par exemple, si tu développes une application de vision par ordinateur pour détecter les mauvaises herbes dans des champs agricoles, tu peux vouloir tester différentes approches d’IA pour la vision, comme la détection d’objets ou 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 la collecte et à l’étiquetage de ton propre jeu de données.

Fig. 2. Détection de pièces automobiles avec Ultralytics YOLO11.

Grâce à l’intégration Roboflow, tu peux parcourir une grande variété de jeux de données liés à l’agriculture, notamment ceux consacrés à la détection des mauvaises herbes, à la santé des cultures ou à la surveillance des champs. Ces jeux de données prêts à l’emploi te permettent d’essayer différentes techniques et d’affiner ton modèle sans devoir commencer par créer tes propres données.

Fonctionnement de l’intégration Roboflow#

Maintenant que nous avons vu comment utiliser l’intégration Roboflow pour trouver les bons jeux de données, examinons son intégration à ton flux de travail. Une fois que tu as choisi un jeu de données dans 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 YOLO11 sur mesure avec le package Python Ultralytics.

Lors du téléchargement de ton jeu de données, tu remarqueras peut-être que Roboflow Universe prend également en charge d’autres formats pour entraîner différents modèles. Alors, pourquoi choisir l’entraînement personnalisé d’Ultralytics YOLO11 ?

YOLO11 est la dernière version des modèles Ultralytics YOLO et est conçu pour fournir 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 effectuer ses prédictions) que YOLOv8m, tout en obtenant une précision moyenne moyenne (mAP) supérieure 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, en particulier lorsque tu entraînes des modèles sur mesure pour répondre à des tâches spécifiques.

Voici un aperçu plus détaillé du fonctionnement de l’entraînement personnalisé d’Ultralytics YOLO11 :

• Alimentation en données : le modèle Ultralytics YOLO11 traite ton jeu de données et apprend à détecter et à classifier les objets à partir des images et de leurs annotations.
• Prédiction et rétroaction : le modèle effectue des prédictions sur les objets présents dans les images et les compare aux réponses correctes 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) afin d’améliorer la précision de la détection et de réduire les erreurs.
• Sortie finale du modèle : après l’entraînement, le modèle optimisé est enregistré et prêt à être déployé.

Autres intégrations dédiées au développement de solutions de vision par ordinateur#

En explorant l’intégration Roboflow, tu remarqueras d’autres intégrations mentionnées dans la documentation Ultralytics. Nous prenons en charge diverses intégrations liées aux différentes étapes du développement de solutions de vision par ordinateur.

L’objectif est de proposer à notre communauté un éventail d’options afin que tu puisses choisir celle qui convient le mieux à ton flux de travail spécifique.

Fig. 3. Vue d’ensemble des intégrations prises en charge par Ultralytics.

Outre les jeux de données, d’autres intégrations prises en charge par Ultralytics se concentrent sur différents aspects du processus de vision par ordinateur, comme 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 proposant des plateformes cloud pour développer et tester efficacement les modèles.
• Intégrations de suivi des flux de travail et des expériences : ClearML, MLflow et Weights & Biases (W&B) aident à automatiser les flux de travail, à suivre les expériences et à améliorer la collaboration, ce qui facilite la gestion des projets de machine learning.
• Intégrations d’optimisation et de déploiement : CoreML, ONNX et OpenVINO permettent un déploiement optimisé sur différents appareils et frameworks, garantissant des performances efficaces sur des plateformes comme le matériel Apple et les CPU 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.

Applications d’Ultralytics YOLO11 et rôle des intégrations#

Les intégrations qui prennent en charge le développement de solutions de vision par ordinateur, associées aux capacités fiables d’Ultralytics YOLO11, facilitent la résolution de problèmes concrets. Prenons les innovations comme la vision par ordinateur dans l’industrie manufacturière, où l’IA pour la vision sert à détecter les défauts sur une chaîne de production, comme les rayures sur des pièces métalliques ou les composants manquants. La collecte des bonnes données pour ces tâches peut souvent être lente et difficile, car elle nécessite l’accès à des environnements spécialisés.

Cela implique généralement d’installer des caméras ou des capteurs le long des chaînes de production afin de capturer des images des produits. Ces images doivent être prises en grande quantité, souvent avec un éclairage et des angles constants, afin de garantir leur clarté et leur uniformité.

Une fois capturées, les images doivent être annotées méticuleusement avec des labels précis 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 particulière, pour garantir que le jeu de données reflète fidèlement la variabilité du monde réel. Des facteurs comme la taille, la forme et les matériaux différents 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 des tâches comme le contrôle qualité industriel et, grâce aux capacités de détection en temps réel d’Ultralytics YOLO11, les fabricants peuvent surveiller les chaînes de production, détecter instantanément les défauts et améliorer leur efficacité.

Fig. 4. Exemple d’utilisation d’Ultralytics YOLO11 pour détecter et compter les canettes fabriquées.

Au-delà de l’industrie manufacturière, les intégrations liées aux jeux de données peuvent être utilisées dans de nombreux autres secteurs. En combinant la vitesse et la précision d’Ultralytics YOLO11 avec des jeux de données facilement accessibles, les entreprises peuvent rapidement développer et déployer des solutions adaptées à leurs besoins spécifiques. Prenons par exemple le secteur de la santé : les intégrations de jeux de données peuvent contribuer au développement de solutions d’analyse d’images médicales pour détecter des anomalies comme les tumeurs. De même, dans le domaine de la conduite autonome, ces intégrations peuvent aider à identifier les véhicules, les piétons et les panneaux de signalisation afin d’améliorer la sécurité.

Points clés à retenir#

Trouver le bon jeu de données est souvent l’une des étapes les plus chronophages de la création d’un modèle de vision par ordinateur. Cependant, l’intégration Roboflow facilite la recherche du meilleur jeu de données pour entraîner sur mesure tes modèles Ultralytics YOLO, même si tu débutes dans la vision par ordinateur.

Grâce à son vaste ensemble 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 simplifie la recherche de données. Il t’aide à démarrer rapidement et à te concentrer sur la création de ton modèle plutôt que de consacrer 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, consulte notre dépôt GitHub et échange avec notre communauté. Découvre des innovations dans des domaines comme l’IA appliquée aux voitures autonomes et la vision par ordinateur dans l’agriculture sur nos pages consacrées aux solutions. 🚀