Comment entraîner les modèles Ultralytics YOLO à détecter des animaux sauvages

La faune de notre planète est incroyablement diverse, des abeilles bourdonnantes aux éléphants imposants, et préserver cette biodiversité est essentiel au maintien d’un écosystème équilibré. Cependant, les efforts de conservation deviennent plus difficiles en raison de la perte d’habitat, du braconnage et du changement climatique. Tous ces facteurs ont un impact négatif sur les populations animales sauvages.

Les méthodes traditionnelles de suivi des animaux, comme l’analyse manuelle des images prises par des pièges photographiques et les relevés sur le terrain, peuvent être lentes et nécessiter beaucoup de ressources. Ces efforts ne permettent souvent pas de couvrir efficacement de vastes zones et d’importantes populations.

Pour surmonter ces limites, l’intelligence artificielle (AI) peut être utilisée comme un outil efficace pour la conservation de la faune. Plus précisément, les modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent analyser des données visuelles telles que des images et des vidéos afin d’automatiser l’identification et le suivi des animaux en temps réel.

Les tâches de vision par ordinateur comme la détection d’objets et la segmentation d’instances, prises en charge par Ultralytics YOLO11, sont très utiles dans ce contexte. En analysant les données visuelles, ces tâches nous aident à recueillir des données essentielles, à identifier les tendances écologiques et à réagir plus efficacement aux menaces environnementales.

Dans cet article, nous allons parcourir le processus d’entraînement d’Ultralytics YOLO11 pour détecter des animaux. C’est parti !

Premiers pas avec Ultralytics YOLO11#

Avant de commencer le tutoriel, examinons les différentes options de configuration et les outils dont tu auras besoin pour entraîner et utiliser Ultralytics YOLO11.

L’outil principal dont tu auras besoin est le package Python Ultralytics, qui facilite l’utilisation des modèles YOLO pour des tâches comme l’entraînement, la détection d’objets et l’exécution d’inférences. Pour utiliser le package Ultralytics, tu dois configurer un environnement dans lequel exécuter ton code, et plusieurs options sont disponibles.

Voici quelques-unes des options les plus populaires pour configurer ton environnement de développement :

• Interface de ligne de commande (CLI) : la CLI, également appelée terminal, est un outil textuel qui te permet d’interagir avec ton ordinateur en saisissant des commandes. Contrairement aux interfaces graphiques (GUI), où tu cliques sur des boutons et utilises une souris, la CLI exige que tu saisisses des instructions textuelles pour exécuter des programmes ou effectuer des tâches.
• Jupyter Notebooks : ces notebooks te permettent d’écrire et d’exécuter du code par petits blocs appelés cellules. Ils sont interactifs : tu peux voir immédiatement le résultat de ton code, ce qui facilite les tests et le débogage.
• Google Colab : Google Colab est une plateforme cloud qui fonctionne comme Jupyter Notebooks, mais qui offre un accès gratuit à des GPU puissants. Elle est facile à configurer et tu n’as rien à installer sur ton ordinateur.

Même s’il existe d’autres options de configuration de ton environnement que tu peux découvrir dans la documentation officielle Ultralytics, les trois options mentionnées ci-dessus nécessitent très peu de configuration et sont faciles à utiliser, ce qui les rend idéales pour commencer rapidement.

Dans ce tutoriel, nous montrerons comment configurer et entraîner Ultralytics YOLO11 avec Google Colab, Jupyter Notebooks ou un simple fichier Python, car les étapes sont très similaires dans tous ces environnements.

Comprendre le jeu de données African Wildlife#

Après avoir sélectionné un environnement de développement, nous avons besoin d’un jeu de données d’images annotées de haute qualité pour entraîner Ultralytics YOLO11 à détecter spécifiquement des animaux sauvages. Chaque image doit montrer clairement où se trouvent les animaux et de quelle espèce ils sont, afin que le modèle puisse apprendre à les reconnaître par apprentissage supervisé.

Dans ce tutoriel, nous utiliserons le jeu de données African Wildlife. Il est pris en charge par le package Python Ultralytics et est spécialement conçu pour détecter des animaux couramment présents dans les écosystèmes africains. Il contient des images annotées de quatre espèces clés : des buffles, des éléphants, des rhinocéros et des zèbres.

Fig. 1 Aperçu du jeu de données African Wildlife.

Voici quelques caractéristiques clés du jeu de données African Wildlife :

• Échelle : le jeu de données se compose de 1504 images réparties en trois sous-ensembles : 1052 pour l’entraînement, 225 pour la validation et 227 pour les tests. Cette répartition garantit que le modèle apprend efficacement et fait l’objet d’une évaluation approfondie.
• Intégration transparente : Ultralytics fournit un fichier de configuration YAML qui définit les chemins des jeux de données, les classes et d’autres détails, ce qui facilite son utilisation lors de l’entraînement des modèles YOLO.
• Licence ouverte : ce jeu de données est distribué sous licence AGPL-3.0, ce qui encourage la transparence et la collaboration.

Entraîner Ultralytics YOLO11 pour la détection d’animaux#

Maintenant que nous avons exploré le jeu de données African Wildlife, nous pouvons commencer à entraîner un modèle Ultralytics YOLO11 pour détecter des animaux dans des images. Le processus consiste à configurer l’environnement de développement, à entraîner le modèle YOLO11 et à évaluer ses performances.

Étape 1 : configurer l’environnement#

Pour commencer, nous allons préparer un environnement destiné à l’entraînement et aux tests du modèle. Tu peux utiliser Google Colab, Jupyter Notebooks ou un simple fichier Python, selon tes préférences. Crée le notebook Google Colab, le Jupyter Notebook ou le fichier Python correspondant.

Si tu utilises Google Colab, l’environnement s’exécute par défaut sur un CPU (unité centrale de traitement), ce qui peut ralentir l’entraînement. Pour accélérer le processus, notamment avec les modèles plus volumineux, tu peux basculer l’environnement d’exécution sur un GPU. Dans Google Colab, ouvre l’onglet « Runtime » du menu, sélectionne « Change runtime type » et définis l’accélérateur matériel sur un GPU (de préférence un GPU T4). Cette étape est importante pour réduire la durée de l’entraînement.

Ensuite, quel que soit l’environnement que tu utilises, tu dois installer le package Python Ultralytics. Si tu utilises un environnement basé sur un notebook (Google Colab ou Jupyter), exécute la commande suivante en plaçant un point d’exclamation (!) au début.

pip install ultralytics

Étape 2 : charger Ultralytics YOLO11 et préparer le jeu de données#

Une fois le package Ultralytics installé, l’étape suivante consiste à charger le modèle YOLO11 et à préparer le jeu de données pour l’entraînement. Nous commençons par charger le modèle YOLO11, qui a déjà été pré-entraîné sur des tâches générales de détection d’objets. Ce modèle pré-entraîné constitue un bon point de départ, car il a déjà appris à détecter différents objets.

Ensuite, nous indiquons le jeu de données à l’aide d’un fichier YAML contenant des informations sur les images et les étiquettes. Ce fichier indique au modèle où trouver le jeu de données et quels objets il doit apprendre à reconnaître.

Le jeu de données African Wildlife est pris en charge par le package Ultralytics ; il sera donc téléchargé automatiquement au début de l’entraînement, ce qui t’évite de le configurer manuellement.

Une fois le jeu de données prêt, le modèle commence son entraînement. Le modèle parcourt plusieurs fois le jeu de données, selon un processus appelé entraînement sur plusieurs époques, afin d’améliorer sa capacité à reconnaître les animaux dans les images. Pendant ce processus, les images sont redimensionnées à une taille uniforme pour le traitement, et le modèle travaille avec un nombre défini d’images à la fois, appelé lot. Cela aide le modèle à apprendre plus efficacement.

En résumé, le modèle est chargé, le jeu de données est téléchargé automatiquement et l’entraînement commence pour détecter des animaux à partir du jeu de données African Wildlife lorsque l’extrait de code ci-dessous est exécuté.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.train(data="african-wildlife.yaml", epochs=30, batch=8)

Étape 3 : présentation de l’entraînement d’Ultralytics YOLO11#

Une fois l’extrait de code ci-dessus exécuté, le modèle commence l’entraînement en fonction des paramètres que nous lui avons fournis. Le code indique au modèle de parcourir les images d’entraînement 30 fois. Cela signifie que le modèle examinera toutes les images du jeu de données 30 fois, en apprenant un peu plus à chaque passage.

Imagine que tu essaies d’apprendre à dessiner un animal. Ton premier dessin ne sera peut-être pas très réussi, mais à force de t’entraîner, tu progresseras. Chaque nouvelle tentative te permet de tirer des leçons de tes erreurs et de les corriger. C’est ce que fait chaque époque pour le modèle : il examine les images, fait des erreurs, en tire des leçons et s’améliore chaque fois pour reconnaître les animaux.

Si le code d’entraînement s’exécute correctement, tu verras la sortie suivante au fur et à mesure de la progression de l’entraînement :

• Configuration de l’entraînement : la première partie affiche les versions d’Ultralytics et de PyTorch, ainsi que le matériel utilisé (CPU dans ce cas), avec la configuration de l’entraînement, notamment le modèle (yolo11n.pt), la taille du lot, le nombre d’époques et la taille des images.
• Résumé du modèle : il fournit des informations sur la complexité du modèle, comme le nombre de couches et de paramètres, afin d’indiquer sa taille.
• Optimiseur et taux d’apprentissage : il indique l’optimiseur (par exemple AdamW) et le taux d’apprentissage, qui contrôlent la manière dont le modèle ajuste ses paramètres pendant l’entraînement.
• Analyse du jeu de données : le modèle analyse le jeu de données et indique combien d’images sont valides et prêtes pour l’entraînement. Il confirme qu’aucun problème ne concerne le jeu de données.
• Progression de l’entraînement : la sortie est mise à jour après chaque époque (cycle d’entraînement) et affiche la progression de l’entraînement ainsi que les principales valeurs de perte (box_loss, cls_loss, dfl_loss), qui indiquent la qualité de l’apprentissage du modèle.
• Métriques de performance : après chaque époque, tu verras des métriques de performance telles que la précision, le rappel et la mAP (précision moyenne). Ces valeurs indiquent la précision du modèle dans la détection et la classification des objets.
• Utilisation de la mémoire GPU : si tu utilises un GPU, la sortie affiche l’utilisation de la mémoire afin de suivre l’utilisation du matériel.

Fig. 2. Sortie affichée pendant l’entraînement du modèle.

Étape 4 : évaluer les performances du modèle entraîné sur mesure#

Une fois le processus d’entraînement terminé, tu peux examiner les métriques de performance du modèle et les valider. Dans Google Colab, ouvre le dossier « runs », puis le dossier « detect » et enfin le dossier « train », où tu trouveras des journaux présentant les principaux indicateurs de performance.

Pour les utilisateurs travaillant dans un environnement Python, les résultats de l’entraînement sont enregistrés par défaut dans le répertoire « runs/train/ » situé dans le répertoire de travail actuel. Chaque exécution d’entraînement crée un nouveau sous-répertoire (par exemple, runs/train/exp, runs/train/exp2, etc.), dans lequel tu trouveras les journaux et autres sorties associés à l’entraînement.

Si tu utilises la CLI, tu peux facilement accéder à ces résultats et paramètres avec la commande « yolo settings », qui te permet d’afficher ou de modifier les chemins et autres configurations associés aux journaux d’entraînement et aux détails de l’expérience.

Parmi les journaux, tu trouveras également des graphiques que tu peux examiner pour voir comment s’est déroulé l’entraînement du modèle. Créés une fois l’entraînement terminé, ces graphiques montrent si le modèle s’est amélioré au fil du temps en commettant moins d’erreurs et en devenant plus précis.

Ils suivent la progression du modèle, en montrant comment la perte (la différence entre les prédictions du modèle et les valeurs réelles) a diminué et comment la précision a augmenté pendant l’entraînement. Cela t’aide à comprendre dans quelle mesure le modèle a appris à reconnaître les animaux et combien il s’est amélioré à la fin de l’entraînement.

Fig. 3. Exemple de graphiques que tu peux analyser pour évaluer ton modèle.

Principales métriques d’évaluation des performances#

Voici également un aperçu plus détaillé de certaines métriques que tu peux utiliser pour évaluer les performances du modèle :

• Précision moyenne (mAP) : cette métrique mesure la précision globale du modèle dans la détection des animaux de toutes les classes, en calculant la moyenne des scores de précision à différents niveaux de rappel.
• Précision : elle représente le pourcentage de détections correctes, calculé en divisant le nombre de vraies détections positives par le nombre total de détections effectuées.
• Rappel : il indique le pourcentage d’animaux réellement présents dans les images qui ont été correctement identifiés par le modèle, reflétant sa capacité à détecter toutes les instances pertinentes.

Ces métriques d’évaluation peuvent aider à affiner le modèle afin d’améliorer sa précision avant de l’utiliser dans des applications concrètes.

Exécuter des inférences avec ton modèle Ultralytics YOLO11 entraîné sur mesure#

Maintenant que nous avons entraîné et évalué Ultralytics YOLO11, il est temps de l’utiliser pour analyser des images et exécuter des inférences. Tu peux utiliser les images de test du jeu de données ou de nouvelles images provenant de différentes sources.

Nous utiliserons l’extrait de code suivant pour exécuter le modèle sur une image du jeu de données de test. Il importe les modules nécessaires depuis la bibliothèque Ultralytics. Il définit ensuite le chemin vers le fichier contenant les meilleurs poids du modèle ("best.pt"), enregistré dans le répertoire des résultats. Le modèle YOLO11 entraîné sur mesure est chargé à l’aide de ces poids.

Ensuite, le chemin vers une image du jeu de données de test African Wildlife est défini. Le modèle est appliqué à cette image pour effectuer une détection d’objets, les résultats sont générés et la sortie (comme les objets détectés ou les annotations) est enregistrée.

from ultralytics import YOLO, settings

best_model_path = results.save_dir / "weights/best.pt"
model = YOLO(best_model_path)
image_path = f"{settings['datasets_dir']}/african-wildlife/test/images/1 (168).jpg"
img_results = model(image_path, save=True)

L’image de sortie présentée ci-dessous sera enregistrée dans le dossier "predict" situé dans le répertoire runs/detect. Pour les tests suivants, de nouveaux dossiers comme "predict2", "predict3", etc. seront créés pour stocker les images.

Fig. 4. Exécution d’une inférence avec le modèle Ultralytics YOLO11 ajusté sur une image de test.

Pour tester des images provenant de différentes sources, tu peux utiliser le code ci-dessous. Nous avons utilisé une image de Pexels. Tu peux utiliser la même image ou toute autre image pertinente.

from ultralytics import YOLO

best_model_path = results.save_dir / "weights/best.pt"
model = YOLO(best_model_path)
img2_results = model("https://images.pexels.com/photos/18341011/pexels-photo-18341011/free-photo-of-elephant-and-zebras-in-savannah.png", save=True)

L’image de sortie présentée ci-dessous sera enregistrée dans le dossier approprié.

Fig. 5. Détection d’animaux sauvages avec le modèle Ultralytics YOLO11 ajusté sur une image inédite.

L’AI au service de la conservation de la faune : applications concrètes#

Les modèles comme Ultralytics YOLO11 peuvent détecter et suivre automatiquement les animaux, ce qui permet diverses applications pratiques. Voici un aperçu de quelques domaines clés dans lesquels la vision par ordinateur peut être utilisée pour soutenir les efforts de conservation de la faune :

• Suivi des espèces : la vision par ordinateur peut servir à traiter des données visuelles comme des images et des vidéos afin d’identifier précisément les espèces, de compter les populations et de suivre leurs déplacements au fil du temps.
• Alertes de caméras intelligentes : dans les zones reculées, la vision par ordinateur peut être utilisée pour classifier continuellement les animaux et envoyer des alertes en temps réel, permettant aux autorités chargées de la faune de réagir rapidement à des menaces comme un comportement animal anormal ou des conflits entre humains et animaux sauvages.
• Analyse des comportements : en surveillant les migrations, les habitudes alimentaires et les interactions sociales, les systèmes de vision par ordinateur peuvent fournir des informations détaillées sur les dynamiques interspécifiques.
• Prévention du braconnage : la vision par ordinateur peut être exploitée pour détecter la présence humaine non autorisée et les signes de braconnage, tout en utilisant l’apprentissage automatique et les données historiques pour localiser les zones à haut risque.

Points clés à retenir#

Les modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent jouer un rôle essentiel dans la conservation de la faune en automatisant la détection et le suivi des animaux. Grâce à la vision par ordinateur, nous pouvons traiter de grands volumes d’images et de vidéos provenant de diverses sources, ce qui permet d’effectuer des évaluations précises de la faune.

Ultralytics YOLO11 est particulièrement adapté à la détection d’objets en temps réel, ce qui en fait un choix idéal pour des tâches comme la surveillance anti-braconnage, l’analyse comportementale et le suivi des écosystèmes. En intégrant des modèles pilotés par l’AI aux efforts de conservation, nous pouvons mieux protéger les espèces, améliorer le suivi de la biodiversité et prendre des décisions plus éclairées pour préserver la faune menacée.

Rejoins notre communauté et explore le dépôt GitHub pour en savoir plus sur la vision par ordinateur. Découvre davantage d’applications liées à l’AI dans le secteur de la santé et à la vision par ordinateur dans l’industrie manufacturière sur nos pages consacrées aux solutions. Consulte les options de licence Ultralytics pour commencer avec la vision par ordinateur.