Comment former, valider, prédire, exporter et comparer avec les modèles YOLO d'Ultralytics ?

Mode train

Commençons par le mode train. C'est ici que vous construisez et affinez votre modèle. Vous trouverez des instructions détaillées et des guides vidéo dans la documentation, ce qui vous permettra de commencer facilement à former vos modèles personnalisés.

L'entraînement d'un modèle consiste à lui fournir un nouvel ensemble de données, ce qui lui permet d'apprendre différents modèles. Une fois entraîné, le modèle peut être utilisé en temps réel pour détecter de nouveaux objets sur lesquels il a été entraîné. Avant de commencer le processus de formation, il est essentiel d'annoter votre ensemble de données au format YOLO.

Mode de validation

Passons maintenant au mode de validation. La validation est essentielle pour régler les hyperparamètres et s'assurer que votre modèle fonctionne bien. Ultralytics fournit une variété d'options de validation, y compris des paramètres automatisés, un support multi-métrique et une compatibilité avec l'API Python. Vous pouvez même lancer la validation directement via l'interface de ligne de commande (CLI) avec la commande ci-dessous.

Mode prédictif

Une fois votre modèle formé et validé, il est temps de faire des prédictions. Le mode Prédire vous permet d'exécuter l'inférence sur de nouvelles données et de voir votre modèle en action. Ce mode est parfait pour tester les performances de votre modèle sur des données réelles.

Avec l'extrait de code python ci-dessous, vous serez en mesure d'effectuer des prédictions sur vos images !

Mode d'exportation

Après avoir validé et prédit, vous voudrez peut-être déployer votre modèle. Le mode d'exportation vous permet de convertir votre modèle dans différents formats, tels que ONNX ou TensorRT, ce qui facilite son déploiement sur différentes plateformes.

Mode benchmark

Enfin, nous avons le mode benchmark. L'analyse comparative est essentielle pour évaluer les performances de votre modèle dans différents scénarios. Ce mode vous aide à prendre des décisions éclairées en matière d'allocation des ressources, d'optimisation et de rentabilité.

Exemple d'évaluation comparative dans le monde réel

Prenons un exemple concret d'analyse comparative. Lorsque nous comparons notre modèle PyTorch, nous remarquons une vitesse d'inférence de 68 millisecondes sur un GPU RTX 3070. Après l'exportation vers TorchScript, la vitesse d'inférence tombe à 4 millisecondes, ce qui représente une amélioration significative.

Pour les modèles ONNX, nous obtenons une vitesse d'inférence de 21 millisecondes. En testant ces modèles sur un processeur (un Intel i9 de 13ème génération), nous obtenons des résultats variables. TorchScript fonctionne à 115 millisecondes, tandis qu'ONNX obtient de meilleurs résultats à 84 millisecondes. Enfin, OpenVINO optimisé pour le matériel Intel atteint un temps record de 23 millisecondes.

Conclusion

En résumé, les modes de la documentation Ultralytics sont des outils puissants pour l'entraînement, la validation, la prédiction, l'exportation et l'analyse comparative de vos modèles YOLO. Chaque mode joue un rôle essentiel dans l'optimisation de votre modèle et dans sa préparation au déploiement.

N'oubliez pas d'explorer et de rejoindre notre communauté et d'essayer les extraits de code fournis dans vos projets. Grâce à ces outils, vous pouvez créer des modèles performants et vous assurer qu'ils fonctionnent efficacement dans n'importe quel environnement.