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’affiner le modèle en fonction de tes besoins spécifiques. Même si le package Python Ultralytics simplifie ces étapes et les rend faciles à suivre, le développement de l’IA visuelle peut tout de même prendre du temps.

C’est 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 étapes du processus, comme la préparation des jeux de données ou l’automatisation des tâches répétitives, peut faire toute la 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 open source de jeux de données de vision par ordinateur. Au lieu de passer des heures à collecter et organiser des données, tu peux rapidement trouver et utiliser des jeux de données existants pour démarrer l’entraînement d’Ultralytics YOLO11. Cette intégration accélère et simplifie considérablement l’expérimentation et l’itération lors du développement de tes modèles de vision par ordinateur.

Dans cet article, nous verrons comment tirer parti de l’intégration Roboflow pour accélérer le développement de modèles.

Qu’est-ce que Roboflow Universe ?#

Roboflow Universe est une plateforme gérée par Roboflow, une entreprise qui se consacre à simplifier le développement de la vision par ordinateur. Elle comprend 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 segmentation et la classification d’images. Grâce aux contributions de développeurs et de chercheurs du monde entier, Roboflow Universe est un espace collaboratif pour toute personne souhaitant démarrer ou enrichir ses projets de vision par ordinateur.

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

Roboflow Universe comprend les principales fonctionnalités suivantes :

• Outils d’exploration des jeux de données : explore, filtre et visualise les jeux de données pour trouver rapidement les ressources correspondant aux besoins de ton projet.
• Options d’exportation : exporte les données dans des formats comme COCO, YOLO, TFRecord, CSV et d’autres, selon ton workflow.
• Analyse des jeux de données : tire des enseignements de différents jeux de données grâce à des outils d’analyse qui visualisent la répartition des étiquettes, les déséquilibres entre classes et la qualité des données.
• Suivi des versions : consulte et récupère différentes versions des jeux de données téléversés par les contributeurs pour suivre les mises à jour, comparer les modifications et choisir la version la mieux adaptée à ton projet.

L’intégration Roboflow t’aide à trouver les bonnes données#

Trouver le bon jeu de données est souvent l’une des étapes les plus difficiles de la création d’un modèle de vision par ordinateur. La création d’un jeu de données implique généralement de rassembler un grand nombre d’images, de vérifier qu’elles sont pertinentes pour ta tâche, puis de les annoter avec précision.

Ce processus peut prendre beaucoup de temps et de ressources, surtout si tu essaies différentes approches sur une courte période. Même la recherche de jeux de données existants peut s’avérer délicate : ils sont souvent dispersés sur différentes 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 pourrais vouloir tester différentes approches d’IA visuelle, comme la détection d’objets et la segmentation d’instances. Tu peux ainsi expérimenter et déterminer la méthode la plus efficace avant de consacrer du temps et des efforts à la collecte et à l’annotation de ton propre jeu de données.

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

Grâce à l’intégration Roboflow, tu peux parcourir divers 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 d’abord 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, voyons comment elle s’intègre à ton workflow. Après avoir choisi un jeu de données dans Roboflow Universe, tu peux l’exporter ou le télécharger au format YOLO11. Une fois le jeu de données exporté, tu peux l’utiliser pour entraîner YOLO11 sur des données personnalisées 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 d’entraîner Ultralytics YOLO11 sur des données personnalisées ?

Au moment de la rédaction, YOLO11 était la dernière version des modèles Ultralytics YOLO (depuis, il a été remplacé par Ultralytics YOLO26) et a été conçu pour offrir une détection d’objets plus rapide et plus précise. YOLO11m utilise 22 % de paramètres en moins (les valeurs internes qu’un modèle ajuste pendant l’entraînement pour effectuer des prédictions) que YOLOv8m, tout en obtenant une précision moyenne (mAP) supérieure sur le jeu de données COCO. Cet équilibre entre vitesse et précision fait de YOLO11 un choix polyvalent pour de nombreuses applications de vision par ordinateur, en particulier lorsqu’il s’agit d’entraîner des modèles sur mesure pour des tâches spécifiques.

Voici comment fonctionne l’entraînement personnalisé d’Ultralytics YOLO11 :

• Alimentation en données : le modèle Ultralytics YOLO11 traite ton jeu de données et apprend à détecter et à classer les objets à partir des images et de leurs annotations.
• Prédiction et retour d’information : le modèle prédit les objets présents dans les images, puis compare ses prédictions aux réponses correctes fournies dans le jeu de données.
• Suivi des performances : des métriques comme la précision (proportion de détections correctes), le rappel (proportion des objets réels détectés) et la perte (erreurs de prédiction) sont suivies pour évaluer la progression.
• Apprentissage itératif : le modèle ajuste ses paramètres au fil de plusieurs cycles (époques) afin d’améliorer la précision de la détection et de réduire les erreurs.
• Résultat final du modèle : après l’entraînement, le modèle optimisé est enregistré et prêt à être déployé.

Autres intégrations pour le développement en 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 la vision par ordinateur.

Cela permet à notre communauté de disposer de plusieurs options et de choisir celle qui convient le mieux à son workflow spécifique.

Fig. 3. Présentation des intégrations prises en charge par Ultralytics.

En plus des jeux de données, d’autres intégrations prises en charge par Ultralytics couvrent différentes étapes du processus de vision par ordinateur, comme l’entraînement, le déploiement et l’optimisation. Voici quelques exemples d’autres intégrations prises en charge :

• Intégrations pour l’entraînement : des intégrations comme Amazon SageMaker et Paperspace Gradient simplifient les workflows d’entraînement en proposant des plateformes cloud pour développer et tester efficacement les modèles.
• Intégrations de workflow et de suivi des expériences : ClearML, MLflow et Weights & Biases (W&B) aident à automatiser les workflows, à suivre les expériences et à améliorer la collaboration, ce qui facilite la gestion des projets d’apprentissage automatique.
• 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 facilitent le développement en vision par ordinateur, associées aux capacités fiables d’Ultralytics YOLO11, simplifient la résolution de problèmes concrets. Pense aux innovations comme la vision par ordinateur dans l’industrie, où l’IA visuelle sert à détecter les défauts sur une chaîne de production, comme les rayures sur des pièces métalliques ou les composants manquants. La collecte des données adaptées à 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 pour 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 netteté et leur uniformité.

Une fois capturées, les images doivent être minutieusement annotées à l’aide de libellés précis pour chaque type de défaut, comme les rayures, les bosses ou les composants manquants. Ce processus exige 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. Il faut tenir compte de facteurs tels que la taille et la forme des défauts, ainsi que les matériaux, afin de 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. 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 en cours de fabrication.

Au-delà de l’industrie, les intégrations liées aux jeux de données peuvent servir dans de nombreux autres secteurs. En combinant la rapidité 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 l’exemple de la santé : les intégrations de jeux de données peuvent aider à développer des solutions d’analyse d’images médicales qui détectent 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. L’intégration Roboflow facilite toutefois la recherche du meilleur jeu de données pour entraîner tes modèles Ultralytics YOLO personnalisés, même si tu débutes en vision par ordinateur.

Grâce à sa 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 simplifie la recherche de données. La plateforme t’aide à démarrer rapidement et à te concentrer sur la création de ton modèle plutôt que de passer du temps à collecter et organiser des données. Cette approche rationalisée aide les développeurs à prototyper, à itérer et à développer des solutions de vision par ordinateur plus efficacement.

Pour en savoir plus, consulte notre dépôt GitHub et rejoins notre communauté. Découvre les innovations dans des domaines comme l’IA dans les voitures autonomes et la vision par ordinateur en agriculture sur nos pages consacrées aux solutions.