Comment évaluer les performances des modèles Ultralytics YOLO comme YOLO11

Face au nombre croissant de modèles d’IA disponibles aujourd’hui, il est essentiel de sélectionner celui qui convient le mieux à ton application d’IA pour obtenir des résultats précis et fiables. Chaque modèle varie en termes de vitesse, de précision et de performances globales. Alors, comment déterminer quel modèle est le mieux adapté à une tâche donnée ? Cela 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 essentielle.

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

Par exemple, Ultralytics YOLO11 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 comprendre pleinement ses capacités, tu peux évaluer ses performances sur différentes configurations afin de voir comment il se comportera dans des scénarios réels.

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

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

Lorsqu’il s’agit d’utiliser un modèle d’IA de vision dans une application réelle, comment savoir s’il sera suffisamment rapide, précis et fiable ? L’évaluation comparative du modèle peut fournir des éléments de réponse. L’évaluation comparative des modèles est le processus qui consiste à tester et à comparer différents modèles d’IA afin de déterminer lequel offre les meilleures performances.

Elle consiste à définir une base de référence pour la comparaison, à choisir les bonnes mesures de performance (comme la précision ou la vitesse) et à tester tous les modèles dans les mêmes conditions. Les résultats permettent d’identifier les points forts et les faiblesses de chaque modèle, ce qui facilite le choix du modèle le mieux adapté à ta solution d’IA. En particulier, un jeu de données de référence est souvent utilisé pour assurer des comparaisons équitables et évaluer les performances d’un modèle dans différents scénarios réels.

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

Les applications en temps réel comme la vidéosurveillance ou la robotique illustrent clairement pourquoi l’évaluation comparative est essentielle : même de légers retards peuvent avoir un impact sur la prise de décision. L’évaluation comparative permet de vérifier si un modèle peut traiter rapidement les images tout en produisant des prédictions fiables.

Elle joue également un rôle clé dans l’identification des goulots d’étranglement liés aux performances. Si un modèle s’exécute lentement ou utilise trop de ressources, l’évaluation comparative peut révéler si le problème vient des limites matérielles, de la configuration du modèle ou des formats d’exportation. Ces informations sont essentielles pour sélectionner 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 qui sont souvent utilisés ensemble. Bien qu’ils soient similaires, ils ne désignent pas la même chose et ont des fonctions différentes. Le test d’un modèle vérifie les performances d’un modèle unique en l’exécutant sur un jeu de données de test et en mesurant des facteurs tels que la précision et la vitesse. L’évaluation d’un modèle va plus loin en analysant les résultats afin de comprendre ses points forts, ses faiblesses et son efficacité dans des situations réelles. Ces deux approches se concentrent sur un seul modèle à la fois.

L’évaluation comparative des modèles, en revanche, compare 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 donnée 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 modèle unique, l’évaluation comparative aide à choisir le bon modèle (ou le meilleur) en comparant équitablement différentes options.

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

Présentation de Ultralytics YOLO11#

Ultralytics YOLO11 est un modèle d’IA de vision fiable, conçu pour effectuer avec précision diverses tâches de vision par ordinateur. Il améliore les versions précédentes des modèles YOLO et propose de nombreuses fonctionnalités capables de résoudre des problèmes concrets. Il peut par exemple être utilisé pour 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 d’utilisation de Ultralytics YOLO11 pour segmenter des personnes dans une image.

L’un des principaux avantages de Ultralytics YOLO11 est sa facilité d’utilisation. Avec seulement quelques lignes de code, n’importe qui 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 difficulté sur différents matériels, en s’exécutant efficacement sur les CPUs (unités centrales de traitement), les GPUs (unités de traitement graphique) et d’autres accélérateurs d’IA spécialisés. Qu’il soit déployé sur des appareils périphériques ou des serveurs cloud, il offre de solides performances.

Ultralytics YOLO11 est disponible en différentes tailles de modèles, chacune étant optimisée pour des tâches spécifiques. L’évaluation comparative permet de déterminer quelle version répond le mieux à tes besoins. Elle peut notamment révéler que les modèles plus petits, comme les modèles nano ou small, s’exécutent généralement plus rapidement, mais peuvent sacrifier une partie de leur précision.

Comment évaluer les performances des modèles YOLO comme Ultralytics YOLO11#

Maintenant que nous avons compris ce qu’est l’évaluation comparative et pourquoi elle est importante, voyons comment évaluer les performances de modèles YOLO comme Ultralytics YOLO11 et mesurer leur efficacité afin d’obtenir des informations 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 lors de l’installation, consulte notre guide des problèmes courants pour obtenir des conseils de dépannage.

Une fois le package installé, tu peux facilement évaluer les performances de 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 présenté ci-dessus, il calcule la vitesse à laquelle le modèle traite les images, le nombre d’images par seconde qu’il peut gérer 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 (objets courants dans leur contexte), une petite version d’exemple du jeu de données COCO complet, souvent utilisée pour les tests et l’expérimentation.

Si tu testes 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 médicales) fournira des informations plus précises. L’évaluation comparative 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 de Ultralytics YOLO11#

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

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

• mAP50-95 : cette métrique 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 à quelle fréquence l’étiquette correcte apparaît parmi les cinq premières prédictions.
• Temps d’inférence : temps nécessaire pour traiter une seule image, mesuré en millisecondes. Des valeurs plus faibles indiquent un traitement plus rapide.

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

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

Examiner uniquement les résultats de l’évaluation comparative ne donne qu’une image partielle. Pour mieux comprendre les performances, il est utile de comparer différents paramètres et options matérielles. Voici quelques éléments importants à examiner :

• GPU ou CPU : les GPUs peuvent traiter les images bien plus rapidement que les CPUs. L’évaluation comparative permet de voir si un CPU est suffisamment rapide pour tes besoins ou si tu gagnerais à utiliser un GPU.
• Paramètres de précision (FP32, FP16, INT8) : ils déterminent la manière dont le modèle gère les nombres. Une précision plus faible (comme FP16 ou INT8) permet au modèle de s’exécuter plus rapidement et d’utiliser moins de mémoire, mais peut réduire légèrement la précision.
• Formats d’exportation : convertir le modèle dans un format comme TensorRT peut considérablement accélérer son exécution sur certains matériels. Cela est utile si tu optimises la vitesse pour des appareils spécifiques.

Comment évaluer les performances de 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 certains matériels, améliorant ainsi la vitesse et l’utilisation de la mémoire. Chaque format d’exportation est optimisé pour différents appareils.

D’une part, le format ONNX peut accélérer les performances dans divers environnements. D’autre part, OpenVINO améliore l’efficacité sur les matériels Intel, tandis que des formats comme CoreML ou TF SavedModel sont idéaux pour les appareils Apple et les applications mobiles.

Examinons comment évaluer les performances de 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 CPUs et les GPUs.

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 de l’évaluation comparative, le choix du bon format 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 GPUs 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 des voitures autonomes.

Points clés à retenir#

Le package Python Ultralytics facilite l’évaluation comparative de YOLO11 grâce à des commandes simples qui prennent en charge les tests de performance. En quelques étapes seulement, tu peux voir comment différentes configurations influencent la vitesse et la précision des modèles, ce qui t’aide à 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 périphérique.

Rejoins notre communauté et découvre des projets d’IA de pointe 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 de solutions. Consulte nos offres de licences et commence dès maintenant ton parcours dans l’IA !