Comment évaluer les performances des modèles Ultralytics YOLO comme YOLO11

Avec le nombre croissant de modèles d’IA disponibles aujourd’hui, choisir celui qui convient le mieux à ton application d’IA spécifique est essentiel pour obtenir des résultats précis et fiables. Chaque modèle présente des caractéristiques différentes en matière de vitesse, de précision et de performances globales. Alors, comment déterminer quel modèle convient le mieux à une tâche donnée ? C’est particulièrement important pour les systèmes en temps réel, comme les véhicules autonomes, les solutions de sécurité et la robotique, où des décisions rapides et fiables sont essentielles.

L’évaluation comparative permet de répondre à cette question en évaluant un modèle dans différentes conditions. Elle donne un aperçu des performances du modèle sur diverses configurations matérielles, ce qui permet de prendre des décisions plus éclairées.

Par exemple, Ultralytics YOLO11, depuis remplacé par Ultralytics YOLO26, est un modèle de vision par ordinateur qui prend en charge diverses tâches d’analyse de données visuelles, comme la détection d’objets et la segmentation d’instances. Pour bien comprendre ses capacités, tu peux mesurer ses performances dans différentes configurations et voir comment il se comporte dans des situations réelles.

Dans cet article, nous allons voir comment évaluer les performances des modèles Ultralytics YOLO, comme YOLO11, sur différents matériels, et comparer l’effet des divers formats d’exportation sur leur vitesse et leur efficacité.

Qu’est-ce que l’évaluation comparative des modèles ?#

Lorsqu’on utilise un modèle d’IA visuelle dans une application concrète, comment savoir s’il sera suffisamment rapide, précis et fiable ? L’évaluation comparative du modèle peut apporter des éléments de réponse. Il s’agit de tester et de comparer différents modèles d’IA pour déterminer lequel est le plus performant.

Il s’agit de définir une base de 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 permettent de cerner les points forts et les limites de chaque modèle, et donc de déterminer plus facilement lequel convient le mieux à ta solution d’IA. Un jeu de données de référence est notamment souvent utilisé pour garantir des comparaisons équitables et évaluer les performances d’un modèle dans différentes situations réelles.

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

Les applications en temps réel, comme la surveillance ou la robotique, illustrent bien l’importance de l’évaluation comparative : même de légers retards peuvent avoir une incidence sur la prise de décision. Cette évaluation permet de vérifier si un modèle peut traiter rapidement les images tout en produisant des prédictions fiables.

Elle joue également un rôle essentiel dans l’identification des goulots d’étranglement. Si un modèle s’exécute lentement ou utilise trop de ressources, l’évaluation comparative peut révéler si le problème vient des limites du matériel, de la configuration du modèle ou des formats d’exportation. Ces informations sont essentielles pour choisir la configuration la plus efficace.

Évaluation comparative, évaluation et test des modèles#

L’évaluation comparative, l’évaluation et le test des modèles sont des termes courants en IA, souvent employés ensemble. Bien que similaires, ils ne désignent pas la même chose et remplissent des fonctions différentes. Le test du modèle vérifie les performances d’un seul modèle en l’exécutant sur un jeu de données de test et en mesurant des facteurs comme la précision et la vitesse. L’évaluation du modèle va plus loin en analysant les résultats pour comprendre les points forts et les faiblesses du modèle, ainsi que son efficacité en situation réelle. Ces deux démarches portent sur un seul modèle à la fois.

L’évaluation comparative des modèles consiste, quant à elle, à comparer plusieurs modèles côte à côte à l’aide des mêmes tests et jeux de données. Elle permet de déterminer quel modèle convient le mieux à une tâche spécifique en mettant en évidence les différences de précision, de vitesse et d’efficacité. Le test et l’évaluation portent sur un seul modèle, tandis que l’évaluation comparative permet de choisir le modèle adapté (ou le meilleur) en comparant équitablement différentes options.

Fig. 2. Différences entre l’évaluation comparative, l’évaluation et le test des modèles. Image de l’auteur.

Présentation d’Ultralytics YOLO11#

Ultralytics YOLO11 est un modèle d’IA visuelle fiable, conçu pour effectuer avec précision diverses tâches de vision par ordinateur. Il améliore les versions précédentes des modèles YOLO et offre de nombreuses fonctionnalités pour résoudre des problèmes concrets. Il peut, par exemple, détecter des objets, classer des images, segmenter des régions, suivre des mouvements et bien plus encore. Il peut également être utilisé dans de nombreux secteurs, de la sécurité à l’automatisation et à l’analyse.

Fig. 3. Exemple de segmentation de personnes dans une image avec Ultralytics YOLO11.

L’un des principaux avantages d’Ultralytics YOLO11 est sa simplicité d’utilisation. Avec seulement quelques lignes de code, tout le monde peut l’intégrer à ses projets d’IA sans avoir à gérer des configurations complexes ni à posséder une expertise technique avancée.

Il fonctionne également sans problème sur différents matériels, et s’exécute efficacement sur les CPU (processeurs), les GPU (processeurs graphiques) et d’autres accélérateurs d’IA spécialisés. Qu’il soit déployé sur des appareils de périphérie ou des serveurs cloud, il offre d’excellentes performances.

Ultralytics YOLO11 est proposé dans différentes tailles de modèle, chacune optimisée pour des tâches différentes. Les tests comparatifs permettent de déterminer quelle version répond le mieux à tes besoins spécifiques. Ils peuvent notamment révéler que les petits modèles, comme les versions nano ou small, sont généralement plus rapides, au prix d’une certaine baisse de précision.

Comment évaluer des modèles YOLO comme Ultralytics YOLO11#

Maintenant que nous avons vu ce que sont les tests comparatifs et pourquoi ils sont importants, voyons comment évaluer les modèles YOLO, comme Ultralytics YOLO11, et mesurer leur efficacité pour en tirer des enseignements utiles.

Pour commencer, tu peux installer le package Python Ultralytics en exécutant la commande suivante dans ton terminal ou ton invite de commandes : « pip install ultralytics ». Si tu rencontres des problèmes pendant l’installation, consulte notre guide sur les problèmes courants pour obtenir des conseils de dépannage.

Une fois le package installé, tu peux facilement évaluer les performances d’Ultralytics YOLO11 avec seulement quelques lignes de code Python :

from ultralytics.utils.benchmarks import benchmark

# Évaluer les performances sur GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, device=0)

Lorsque tu exécutes le code ci-dessus, il calcule la vitesse de traitement des images par le modèle, le nombre d’images qu’il peut traiter en une seconde et la précision de ses détections d’objets.

La mention « coco8.yaml » dans le code désigne un fichier de configuration de jeu de données basé sur COCO8 (objets courants en contexte), un petit échantillon du jeu de données COCO complet, souvent utilisé pour les tests et les expérimentations.

Si tu évalues Ultralytics YOLO11 pour une application spécifique, comme la surveillance du trafic ou l’imagerie médicale, l’utilisation d’un jeu de données pertinent (par exemple, un jeu de données sur le trafic ou un jeu de données médical) fournira des résultats plus précis. Une évaluation avec COCO donne une idée générale des performances, mais pour obtenir les meilleurs résultats, tu peux choisir un jeu de données qui reflète ton cas d’utilisation réel.

Comprendre les résultats de l’évaluation comparative d’Ultralytics YOLO11#

Une fois l’évaluation comparative d’Ultralytics YOLO11 terminée, l’étape suivante consiste à interpréter les résultats. Après avoir exécuté l’évaluation, tu verras différentes valeurs dans les résultats. Ces métriques permettent d’évaluer les performances de YOLO11 en matière de précision et de vitesse.

Voici quelques métriques importantes à surveiller lors de l’évaluation comparative d’Ultralytics YOLO11 :

• mAP_50-95 : Elle mesure la précision de la détection d’objets. Une valeur plus élevée signifie que le modèle reconnaît mieux les objets.
• accuracy_top5 : Cette métrique est couramment utilisée pour les tâches de classification. Elle indique la fréquence à laquelle l’étiquette correcte figure parmi les cinq principales prédictions.
• Temps d’inférence : Temps nécessaire au traitement d’une seule image, mesuré en millisecondes. Plus la valeur est faible, plus le traitement est rapide.

Fig. 4. Graphique des performances de YOLO11 lors de l’évaluation comparative.

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

Les résultats de l’évaluation comparative ne donnent qu’une partie de l’information. Pour mieux comprendre les performances, il est utile de comparer différents paramètres et options matérielles. Voici quelques points importants à examiner :

• GPU ou CPU : Les GPU traitent les images bien plus rapidement que les CPU. L’évaluation comparative permet de vérifier si un CPU est assez rapide pour tes besoins ou si tu gagnerais à utiliser un GPU.
• Paramètres de précision (FP32, FP16, INT8) : ils déterminent la façon dont le modèle traite les nombres et se règlent avec l’argument quantize (par exemple, quantize=16). Une précision moindre (comme FP16 ou INT8) accélère le modèle et réduit sa consommation mémoire, mais peut légèrement diminuer sa précision.
• Formats d’exportation : Convertir le modèle dans un format comme TensorRT peut accélérer considérablement son exécution sur certains matériels. C’est utile si tu optimises les performances pour des appareils spécifiques.

Comment évaluer Ultralytics YOLO11 sur différents matériels#

Le package Python Ultralytics te permet de convertir des modèles YOLO11 dans différents formats pour qu’ils s’exécutent plus efficacement sur certains matériels, améliorant ainsi la vitesse et l’utilisation de la mémoire. Chaque format d’exportation est optimisé pour des appareils différents.

D’une part, le format ONNX peut accélérer les performances dans différents environnements. D’autre part, OpenVINO améliore l’efficacité sur le matériel Intel, CoreML est idéal pour les appareils Apple, et LiteRT (anciennement TensorFlow Lite) convient aux applications mobiles.

Voyons comment évaluer Ultralytics YOLO11 dans un format spécifique. Le code ci-dessous évalue YOLO11 au format ONNX, largement utilisé pour exécuter des modèles d’IA sur les CPU et les GPU.

from ultralytics.utils.benchmarks import benchmark

# Évaluer un format d’exportation spécifique (par exemple, ONNX)
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")

Au-delà des résultats des tests comparatifs, le choix du format approprié dépend des caractéristiques de ton système et de tes besoins de déploiement. Par exemple, les voitures autonomes ont besoin d’une détection d’objets rapide. Si tu prévois d’utiliser des GPU NVIDIA pour accélérer les performances, le format TensorRT est 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 à retenir#

Le package Python Ultralytics facilite l’évaluation comparative de YOLO11 grâce à des commandes simples qui effectuent les tests de performance à ta place. En quelques étapes, tu peux voir comment différentes configurations influent sur la vitesse et la précision des modèles et ainsi faire des choix éclairés sans avoir besoin d’une expertise technique approfondie.

Le matériel et les paramètres appropriés peuvent également faire une grande différence. En ajustant des paramètres comme la taille du modèle et le jeu de données, tu peux affiner Ultralytics YOLO11 pour obtenir les meilleures performances, que tu l’exécutes sur un GPU haut de gamme ou localement sur un appareil de périphérie.

Rejoins notre communauté et découvre nos projets d’IA sur notre dépôt GitHub. Découvre l’impact de l’IA dans l’agriculture et le rôle de la vision par ordinateur dans l’industrie manufacturière sur nos pages consacrées à nos solutions. Consulte nos offres de licence et lance-toi dès maintenant dans l’IA !