Comment utiliser la section Référence de la documentation Ultralytics YOLO

De nos jours, l'intelligence artificielle (IA) est plus accessible que jamais, permettant à quiconque de se lancer et d'utiliser rapidement différents modèles d'IA pour diverses tâches de pointe.

Par exemple, la computer vision est une branche de l'IA qui permet aux ordinateurs d'interpréter et de comprendre des informations visuelles à partir d'images et de vidéos, et les modèles de computer vision comme Ultralytics YOLO11 sont faciles à prendre en main.

YOLO11 prend en charge des tâches comme l'object detection, l'instance segmentation et l'image classification, et peut être utilisé pour des applications telles que la conduite autonome, la surveillance de sécurité et l'analyse commerciale.

Fig 1. YOLO11 peut être utilisé pour détecter divers objets.

Plus précisément, le Ultralytics Python package fournit des outils conviviaux pour entraîner, personnaliser et déployer rapidement ces modèles d'IA, permettant aux utilisateurs de tous niveaux de créer facilement des applications avancées de computer vision.

Cependant, si tu souhaites approfondir le fonctionnement de tout cela ou créer tes propres personnalisations, la Reference section de la documentation Ultralytics est une excellente ressource. Elle couvre le fonctionnement interne du Ultralytics Python package, y compris la manière dont tes données sont traitées, le processus d'entraînement du modèle et la façon dont tu peux visualiser les prédictions.

Dans cet article, nous examinerons de plus près la section Référence de la documentation Ultralytics et comment l'utiliser lorsque tu travailles sur des projets de computer vision. Commençons !

Link to this sectionUn regard approfondi sur le travail avec les modèles Ultralytics YOLO#

Travailler avec le Ultralytics Python package est simple et direct. Tu peux entraîner des modèles YOLO ou detect objects dans des images en utilisant seulement quelques lignes de code.

Cependant, une fois que tu es familiarisé avec les modèles de computer vision, la section Référence de la documentation Ultralytics t'aide à mieux comprendre how the code works et quelles fonctions le package prend en charge. Elle inclut également des explications faciles à suivre, des options configurables et des liens vers le code pertinent disponible dans le dépôt GitHub d'Ultralytics.

Elle explique comment le Ultralytics Python package est structuré et couvre des composants clés comme la configuration du modèle, le chargement des données, le processus d'entraînement et la façon dont les prédictions sont faites et renvoyées.

Tout est organisé en catégories claires, il est donc facile de trouver ce que tu cherches. Par exemple, si tu entraînes un modèle avec ton propre dataset, tu peux aller dans la partie de la section Référence consacrée aux données, et cela te donnera une meilleure idée de la façon dont tes données seront utilisées pour l'entraînement du modèle.

Link to this sectionComment débuter avec la section Référence#

Si tu te rends dans la section Référence de la documentation Ultralytics YOLO, tu trouveras un menu sur le côté gauche de la page avec différentes catégories de référence. Chaque catégorie représente une partie spécifique de la base de code Ultralytics, comme les models, la gestion des données ou les fonctions d'entraînement.

Cliquer sur une catégorie t'emmène sur une page qui te donne plus de détails.

Fig 2. Sur la gauche, tu trouveras un menu des différentes catégories de Référence.

De même, sur le côté droit de la page, tu trouveras la table des matières qui décompose chaque page de référence en composants clés comme les fonctions (blocs de code réutilisables), les classes (modèles pour créer des objets) et les méthodes (fonctions définies à l'intérieur des classes). Cela facilite l'accès direct à ce que tu recherches.

Fig 3. Sur la droite, tu trouveras une table des matières pour la page de Référence spécifique que tu consultes.

Link to this sectionLa structure du dépôt GitHub d'Ultralytics#

Le dépôt GitHub d'Ultralytics est organisé en sous-répertoires ou sous-packages basés sur différentes parties du package Ultralytics, telles que les modèles, l'entraînement et les data. La section Référence dans la documentation suit cette même structure, ce qui permet de mieux comprendre comment tout s'articule.

Voici quelques-uns des principaux sous-répertoires ou catégories que tu verras à la fois dans le dépôt GitHub d'Ultralytics et dans la section Référence de la documentation Ultralytics :

• Models : Cette section se concentre sur différents modèles et leurs modes, tels que la réalisation de prédictions, la validation des performances et l'exportation de modèles entraînés.
• Engine : Elle contient la logique principale pour entraîner, valider, prédire, exporter et évaluer les modèles.
• Data : Elle gère la manière dont les datasets sont chargés, traités et augmentés. Cela inclut des fonctions pour créer des dataloaders (outils qui alimentent le modèle en données par lots), appliquer des transformations (modifications apportées aux images comme le redimensionnement ou le retournement pour aider le modèle à mieux apprendre) et préparer les données (organisation et formatage des images et des labels) pour l'entraînement.
• Utils : Cette section fournit une large gamme de fonctions d'assistance utilisées à travers toute la base de code, comme des outils de visualisation, la gestion de fichiers et le calcul de métriques.
• HUB : Elle se connecte à Ultralytics HUB, une plateforme de computer vision sans code (no-code), permettant des fonctionnalités cloud comme la connexion, le téléchargement de modèles et la gestion de datasets via une API.
• Trackers : Elle implémente la logique de suivi d'objets pour les applications impliquant de la vidéo ou des séquences d'images image par image.

Chacun de ces sous-répertoires dans le dépôt GitHub possède une section correspondante dans la documentation. Cette structure est intentionnellement calquée, rendant plus facile le basculement entre la lecture de la documentation et l'exploration du code source.

En fait, dans de nombreuses pages de Référence, le code source réel est également affiché, de sorte que tu peux voir exactement comment les fonctions et les classes sont implémentées sans quitter la documentation.

Fig 4. Le code source est également inclus dans les pages de Référence.

Link to this sectionComprendre les composants models, engine et data#

Maintenant que nous avons vu comment la section Référence est organisée, examinons de plus près trois parties clés du package Ultralytics : models, engine et data.

Le sous-répertoire models contient le code qui définit comment chaque type de modèle fonctionne. Il est organisé à la fois par types de modèles (comme YOLO, FastSAM ou RT-DETR) et par tâches telles que la détection, la segmentation ou la classification. À l'intérieur de chacun, tu trouveras des fichiers ou des modules qui gèrent des actions spécifiques - par exemple, comment le modèle fait des prédictions, comment il est entraîné, ou comment sa performance est évaluée.

Pendant ce temps, le sous-répertoire engine travaille en coulisses pour gérer l'ensemble du processus. Alors que le sous-répertoire models se concentre sur ce que chaque modèle est censé faire, le sous-répertoire engine se concentre sur la manière d'exécuter réellement ces tâches de manière cohérente et efficace.

De plus, le sous-répertoire data est responsable du chargement et de la préparation des datasets. Cette partie de la base de code garantit que tes données d'entraînement sont propres, structurées et variées, aidant le modèle à mieux apprendre et à généraliser plus efficacement.

Cette séparation claire rend le code plus facile à maintenir et offre aux utilisateurs la flexibilité nécessaire pour le personnaliser.

Link to this sectionExemples d'utilisation de la section Référence#

Tu te demandes peut-être pourquoi il est important de comprendre les différentes parties de la base de code Ultralytics ? Si tu sais quelle partie du code gère quoi, il devient beaucoup plus facile de trouver les informations dont tu as besoin, d'apporter des modifications ou de résoudre des problèmes.

Voici quelques exemples de la façon dont tu peux utiliser la section Référence de la documentation :

• Si tu te demandes : « Comment le modèle fait-il des prédictions ? », tu peux aller dans la catégorie Models dans la section Référence, sélectionner un type de modèle (comme YOLO), choisir une tâche (comme detect), puis ouvrir la page Predict pour obtenir des détails.
• Si tu veux savoir comment les data augmentations sont appliquées, tu peux explorer la page Augment sous la catégorie Data. Elle répertorie les techniques d'augmentation intégrées utilisées pour améliorer les performances du modèle et la variété des données d'entraînement.

Link to this sectionExplorer les résultats via la section Référence#

La section Référence est également utile lorsque tu essaies de comprendre les sorties renvoyées par ton modèle. Après qu'un modèle comme YOLO11 ait été utilisé pour effectuer une inférence sur une image, il renvoie un ensemble de résultats qui décrivent ce qui a été détecté.

Par exemple, dans un flux de caméra, il peut détecter une personne et mettre en évidence sa position à l'aide d'une bounding box, accompagnée d'un score de confiance - une valeur entre 0 et 1 qui indique à quel point le modèle est certain de sa détection.

Si tu essaies de comprendre comment utiliser cette sortie dans ton projet, la section Référence peut t'aider. Elle inclut une page pour le Results module qui détaille ce qui est inclus et comment y accéder dans ton code. Il y a des détails sur la façon de voir les boîtes de détection, vérifier les scores de confiance, afficher les résultats ou les enregistrer.

Fig 5. Un exemple de la façon dont les résultats renvoyés par YOLO11 peuvent être visualisés.

Link to this sectionPoints clés#

La documentation Ultralytics t'aide à comprendre comment utiliser efficacement les modèles YOLO. Elle explique des processus clés tels que l'entraînement des modèles, la préparation des données et le travail avec les résultats. Chaque page contient des explications claires et des exemples de snippets de code pour t'aider à démarrer rapidement.

Si tu es curieux de savoir ce qui se passe en coulisses, la section Référence de la documentation le décompose également étape par étape. Elle montre comment le code est structuré, ce que fait chaque partie et comment tout fonctionne ensemble. Cela rend l'apprentissage, la personnalisation et la création de tes propres projets de computer vision plus faciles et plus confiants.

Fais partie de our active community et explore le GitHub repository pour en savoir plus sur la construction avec l'IA. Prêt à lancer tes propres idées de computer vision ? Visite our licensing options pour commencer. Découvre comment la vision AI in automotive et l'AI in healthcare ont un impact en visitant nos pages de solutions.