Comment évaluer les modèles Ultralytics YOLO comme YOLO11

Avec le nombre croissant de modèles d'IA disponibles aujourd'hui, sélectionner celui qui est le plus adapté à ton application d'IA spécifique est essentiel pour obtenir des résultats précis et fiables. Chaque modèle varie en termes de vitesse, de précision et de performance globale. Alors, comment déterminer quel modèle est le mieux adapté à une tâche donnée ? C'est particulièrement important pour les systèmes en temps réel tels que les véhicules autonomes, les solutions de sécurité et la robotique, où une prise de décision rapide et fiable est critique.

L'évaluation comparative (benchmarking) aide à répondre à cette question en évaluant un modèle sous différentes conditions. Elle fournit des informations sur la performance du modèle à travers diverses configurations matérielles, permettant une prise de décision plus éclairée.

Par exemple, Ultralytics YOLO11 est un modèle de computer vision qui prend en charge diverses tâches d'analyse de données visuelles telles que la détection d'objets et la segmentation d'instances. Pour bien comprendre ses capacités, tu peux évaluer ses performances sur différentes configurations afin de voir comment il gère les scénarios du monde réel.

Dans cet article, nous allons explorer comment évaluer des Ultralytics YOLO models comme YOLO11, comparer leurs performances sur différents matériels et voir comment différents formats d'exportation impactent leur vitesse et leur efficacité. C'est parti !

Qu'est-ce que l'évaluation de modèle ?#

Lorsqu'il s'agit d'utiliser un modèle de vision par IA dans une application réelle, comment savoir s'il sera suffisamment rapide, précis et fiable ? L'évaluation (benchmarking) du modèle peut fournir des informations pour y répondre. L'évaluation de modèle est le processus consistant à tester et comparer différents modèles d'IA pour voir lequel fonctionne le mieux.

Cela implique de définir une référence pour la comparaison, de choisir les bonnes mesures de performance (comme la précision ou la vitesse) et de tester tous les modèles dans les mêmes conditions. Les résultats aident à identifier les forces et les faiblesses de chaque modèle, ce qui facilite le choix de celui qui est le mieux adapté à ton AI solution. En particulier, un benchmark dataset est souvent utilisé pour fournir des comparaisons équitables et évaluer les performances d'un modèle dans différents scénarios du monde réel.

Fig 1. Pourquoi évaluer les modèles de vision par ordinateur ? Image de l'auteur.

Un exemple clair de la raison pour laquelle l'évaluation est vitale se trouve dans les applications en temps réel comme la surveillance ou la robotique, où même de légers délais peuvent impacter la prise de décision. L'évaluation aide à déterminer si un modèle peut traiter des images rapidement tout en fournissant des prédictions fiables.

Elle joue également un rôle clé dans l'identification des goulots d'étranglement de performance. Si un modèle s'exécute lentement ou utilise des ressources excessives, l'évaluation peut révéler si le problème provient des limitations matérielles, des configurations de modèle ou des formats d'exportation. Ces informations sont cruciales pour sélectionner la configuration la plus efficace.

L'évaluation de modèle comparée à l'évaluation et au test de modèle#

Le benchmarking, l'évaluation et les tests de modèles sont des termes d'IA populaires qui sont souvent utilisés ensemble. Bien qu'ils soient similaires, ils ne sont pas identiques et ont des fonctions différentes. Le Model testing vérifie les performances d'un seul modèle en l'exécutant sur un jeu de données de test et en mesurant des facteurs tels que la précision et la vitesse. Parallèlement, l'évaluation de modèle va plus loin en analysant les résultats pour comprendre les forces et les faiblesses du modèle, ainsi que son fonctionnement dans des situations réelles. Tous deux se concentrent sur un seul modèle à la fois.

L'évaluation comparative, en revanche, compare plusieurs modèles côte à côte en utilisant les mêmes tests et jeux de données. Elle aide à trouver quel modèle fonctionne le mieux pour une tâche spécifique en mettant en évidence les différences de précision, de vitesse et d'efficacité entre eux. Alors que le test et l'évaluation se concentrent sur un seul modèle, l'évaluation comparative aide à choisir le bon (ou le meilleur) en comparant différentes options de manière équitable.

Fig 2. Comment l'évaluation comparative est différente de l'évaluation et du test. Image de l'auteur.

Un aperçu de Ultralytics YOLO11#

Ultralytics YOLO11 est un modèle de vision par ordinateur fiable conçu pour exécuter diverses computer vision tasks avec précision. Il améliore les versions précédentes des modèles YOLO et regorge de fonctionnalités qui peuvent aider à résoudre des problèmes du monde réel. Par exemple, il peut être utilisé pour détecter des objets, classifier des images, segmenter des régions, suivre des mouvements, etc. Il peut également être appliqué dans de nombreux secteurs, de la sécurité à l'automatisation et à l'analyse.

Fig 3. Un exemple d'utilisation d'Ultralytics YOLO11 pour segmenter des personnes dans une image.

L'un des avantages clés liés à Ultralytics YOLO11 est sa facilité d'utilisation. Avec seulement quelques lignes de code, n'importe qui peut l'intégrer dans ses projets d'IA sans avoir à gérer des configurations complexes ou une expertise technique avancée.

Il fonctionne aussi sans problème sur différents matériels, s'exécutant efficacement sur les CPU (Central Processing Units), les GPU (Graphics Processing Units) et d'autres accélérateurs d'IA spécialisés. Qu'il soit déployé sur des appareils en périphérie (edge) ou sur des serveurs cloud, il offre une performance robuste.

Ultralytics YOLO11 est disponible en différentes tailles de modèle, chacune optimisée pour des tâches différentes. L'évaluation comparative aide à déterminer quelle version répond le mieux à tes besoins spécifiques. Par exemple, un enseignement clé que peut révéler l'évaluation comparative est que les modèles plus petits, tels que nano ou small, ont tendance à s'exécuter plus rapidement mais peuvent sacrifier une part de précision.

Comment évaluer les modèles YOLO comme Ultralytics YOLO11#

Maintenant que nous avons compris ce qu'est l'évaluation comparative et son importance. Voyons comment tu peux évaluer les modèles YOLO tels que Ultralytics YOLO11 et mesurer leur efficacité pour recueillir des informations précieuses.

Pour commencer, tu peux installer le Ultralytics Python package en exécutant la commande suivante dans ton terminal ou invite de commandes : “pip install ultralytics”. Si tu rencontres des problèmes lors de l'installation, consulte notre Common Issues Guide pour obtenir des conseils de dépannage.

Une fois le paquet installé, tu peux facilement benchmark Ultralytics YOLO11 avec seulement quelques lignes de code Python :

from ultralytics.utils.benchmarks import benchmark

# Benchmark on GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

Lorsque tu exécutes le code affiché ci-dessus, il calcule la vitesse à laquelle le modèle traite les images, le nombre d'images qu'il peut gérer en une seconde, et la précision avec laquelle il détecte les objets.

La mention de « coco8.yaml » dans le code fait référence à un fichier de configuration de jeu de données basé sur le jeu de données COCO8 (Common Objects in Context) - une petite version d'échantillon du jeu de données COCO complet, souvent utilisée pour les tests et l'expérimentation.

Si tu testes Ultralytics YOLO11 pour une application spécifique, telle que la surveillance du trafic ou l'imagerie médicale, l'utilisation d'un jeu de données pertinent (par exemple, un jeu de données de trafic ou un jeu de données médical) donnera des informations plus précises. L'évaluation comparative avec COCO donne une idée générale des performances, mais pour de meilleurs résultats, tu peux choisir un jeu de données qui reflète ton cas d'usage réel.

Comprendre les résultats d'évaluation d'Ultralytics YOLO11#

Une fois que YOLO11 d'Ultralytics a été évalué, l'étape suivante consiste à interpréter les résultats. Après avoir exécuté le benchmark, tu verras différents chiffres dans les résultats. Ces métriques t'aident à évaluer les performances de YOLO11 en termes de précision et de vitesse.

Voici quelques métriques notables d'évaluation comparative pour Ultralytics YOLO11 à surveiller :

• mAP50-95 : Elle mesure la précision de la détection d'objets. Une valeur plus élevée signifie que le modèle est meilleur pour reconnaître les objets.
• accuracy_top5 : Elle est couramment utilisée pour les tâches de classification. Elle montre à quelle fréquence l'étiquette correcte apparaît dans les cinq meilleures prédictions.
• Inference time : Le temps pris pour traiter une seule image, mesuré en millisecondes. Des valeurs plus basses signifient un traitement plus rapide.

Fig 4. Un graphique montrant les performances de benchmark de YOLO11.

Autres facteurs à prendre en compte lors de l'évaluation d'Ultralytics YOLO11#

Regarder uniquement les résultats de l'évaluation ne raconte qu'une partie de l'histoire. Pour obtenir une meilleure compréhension de la performance, il est utile de comparer différents réglages et options matérielles. Voici quelques points importants à examiner :

• GPU vs. CPU : Les GPU peuvent traiter les images beaucoup plus rapidement que les CPU. L'évaluation t'aide à voir si un CPU est suffisamment rapide pour tes besoins ou si tu bénéficieras de l'utilisation d'un GPU.
• Paramètres de précision (FP32, FP16, INT8) : Ceux-ci contrôlent la façon dont le modèle gère les nombres. Une précision moindre (comme FP16 ou INT8) rend le modèle plus rapide et utilise moins de mémoire, mais cela pourrait réduire légèrement la précision.
• Export formats : La conversion du modèle vers un format tel que TensorRT peut considérablement accélérer son exécution sur certains matériels. C'est utile si tu optimises la vitesse sur des appareils spécifiques.

Comment évaluer Ultralytics YOLO11 sur différents matériels#

Le package Python Ultralytics te permet de convertir les modèles YOLO11 dans différents formats qui s'exécutent plus efficacement sur des matériels spécifiques, améliorant à la fois la vitesse et l'utilisation de la mémoire. Chaque format d'exportation est optimisé pour des appareils différents.

D'un côté, le ONNX format peut accélérer les performances dans divers environnements. D'un autre côté, OpenVINO améliore l'efficacité sur le matériel Intel, et des formats tels que CoreML ou TF SavedModel sont idéaux pour les appareils Apple et les applications mobiles.

Jetons un œil à la façon dont tu peux évaluer YOLO11 d'Ultralytics dans un format spécifique. Le code ci-dessous évalue YOLO11 au format ONNX, qui est largement utilisé pour exécuter des modèles d'IA sur des CPU et des GPU.

from ultralytics.utils.benchmarks import benchmark

# Benchmark a specific export format (e.g., ONNX)
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")

Au-delà des résultats d'évaluation comparative, le choix du bon format dépend des spécifications de ton système et de tes besoins de déploiement. Par exemple, les self-driving cars ont besoin d'une détection d'objets rapide. Si tu prévois d'utiliser des GPU NVIDIA pour accélérer les performances, le format TensorRT est le choix idéal pour exécuter Ultralytics YOLO11 sur un GPU NVIDIA.

Fig 5. Utilisation de YOLO11 pour la détection d'objets dans les voitures autonomes.

Points clés#

Le package Python Ultralytics rend l'évaluation de YOLO11 facile en fournissant des commandes simples qui peuvent gérer les tests de performance pour toi. Avec seulement quelques étapes, tu peux voir comment différentes configurations affectent la vitesse et la précision des modèles, t'aidant à faire des choix éclairés sans avoir besoin d'une expertise technique approfondie.

Le bon matériel et les bons paramètres peuvent également faire une énorme différence. L'ajustement de paramètres tels que la taille du modèle et le jeu de données te permet d'affiner Ultralytics YOLO11 pour obtenir les meilleures performances, que tu l'exécutes sur un GPU haut de gamme ou localement sur un appareil edge.

Connecte-toi avec our community et explore des projets d'IA de pointe sur our GitHub repository. Découvre l'impact de AI in agriculture et le rôle de computer vision in manufacturing à travers nos pages de solutions. Explore our licensing plans et commence ton parcours dans l'IA dès maintenant !