Comment utiliser la section Reference de la documentation Ultralytics YOLO

Aujourd’hui, l’intelligence artificielle (AI) est plus accessible que jamais, ce qui permet à chacun de se lancer rapidement dans l’utilisation de différents modèles d’AI pour diverses tâches de pointe.

Par exemple, la vision par ordinateur est une branche de l’AI qui permet aux ordinateurs d’interpréter et de comprendre les informations visuelles provenant d’images et de vidéos, et les modèles de vision par ordinateur comme Ultralytics YOLO11 sont faciles à prendre en main.

Ultralytics YOLO11 prend en charge des tâches telles que la détection d’objets, la segmentation d’instances et la classification d’images, et peut être utilisé dans des applications comme la conduite autonome, la surveillance de sécurité et l’analyse du commerce de détail.

Fig. 1. Ultralytics YOLO11 peut être utilisé pour détecter différents objets.

Plus précisément, le package Python Ultralytics fournit des outils faciles à utiliser pour entraîner, personnaliser et déployer rapidement ces modèles d’AI, afin de permettre aux utilisateurs de tous niveaux de construire facilement des applications avancées de vision par ordinateur.

Cependant, si tu souhaites approfondir le fonctionnement de l’ensemble ou créer tes propres personnalisations, la section Référence de la documentation Ultralytics est une excellente ressource. Elle couvre le fonctionnement interne du package Python Ultralytics, notamment la gestion de tes données, le processus d’entraînement des modèles et la visualisation des prédictions.

Dans cet article, nous allons examiner de plus près la section Référence de la documentation Ultralytics et voir comment l’utiliser lorsque tu travailles sur des projets de vision par ordinateur. C’est parti !

Approfondir l’utilisation des modèles Ultralytics YOLO#

Utiliser le package Python Ultralytics est simple et direct. Tu peux entraîner des modèles YOLO ou détecter des objets dans des images avec seulement quelques lignes de code.

Cependant, une fois que tu maîtrises l’utilisation des modèles de vision par ordinateur, la section Référence de la documentation Ultralytics t’aide à mieux comprendre le fonctionnement du code et les fonctions prises en charge par le package. Elle comprend 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 la structure du package Python Ultralytics et couvre des composants essentiels comme la configuration des modèles, le chargement des données, le processus d’entraînement et la manière dont les prédictions sont générées et renvoyées.

Tout est organisé en catégories claires, ce qui facilite la recherche de ce dont tu as besoin. Par exemple, si tu entraînes un modèle avec ton propre jeu de données, tu peux consulter la partie de la section Référence consacrée aux données pour mieux comprendre comment tes données seront utilisées lors de l’entraînement du modèle.

Comment commencer avec la section Référence#

Si tu te rends dans la section Référence de la documentation Ultralytics YOLO, tu trouveras à gauche de la page un menu proposant différentes catégories de référence. Chaque catégorie représente une partie spécifique de la base de code Ultralytics, comme les modèles, la gestion des données ou les fonctions d’entraînement.

En cliquant sur une catégorie, tu accèdes à une page qui fournit davantage de détails.

Fig. 2. À gauche, tu trouveras un menu proposant différentes catégories de référence.

De même, à droite de la page, tu trouveras la table des matières, qui décompose chaque page de référence en composants essentiels comme les fonctions (blocs de code réutilisables), les classes (modèles servant à créer des objets) et les méthodes (fonctions définies à l’intérieur des classes). Tu peux ainsi accéder directement à ce que tu recherches.

Fig. 3. À droite, tu trouveras la table des matières de la page Référence que tu consultes.

La structure du dépôt GitHub Ultralytics#

Le dépôt GitHub Ultralytics est organisé en sous-répertoires ou sous-packages correspondant aux différentes parties du package Ultralytics, comme les modèles, l’entraînement et les données. La section Référence de la documentation suit cette même structure, ce qui facilite la compréhension de l’organisation de l’ensemble.

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

• Models : cette section se concentre sur les différents modèles et leurs modes, comme la génération de prédictions, la validation des performances et l’exportation des modèles entraînés.
• Engine : cette section contient la logique principale pour entraîner, valider, utiliser pour effectuer des prédictions, exporter et évaluer les modèles.
• Data : cette section gère le chargement, le traitement et l’augmentation des jeux de données. Elle comprend des fonctions pour créer des dataloaders (outils qui fournissent les données au modèle 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 un large éventail de fonctions utilitaires utilisées dans toute la base de code, comme des outils de visualisation, la gestion des fichiers et le calcul des métriques.
• HUB : cette section se connecte à Ultralytics HUB, une plateforme de vision par ordinateur sans code, et permet d’utiliser des fonctionnalités cloud comme la connexion, l’importation de modèles et la gestion de jeux de données via une API.
• Trackers : cette section implémente la logique de suivi d’objets pour les applications impliquant des vidéos ou des séquences d’images traitées image par image.

Chacun de ces sous-répertoires du dépôt GitHub possède une section correspondante dans la documentation. Cette structure est volontairement reproduite à l’identique, ce qui facilite le passage de la lecture de la documentation à l’exploration du code source.

De fait, le code source réel est également affiché sur de nombreuses pages de référence. Tu peux ainsi 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.

Comprendre les composants des modèles, du moteur et des données#

Maintenant que nous avons vu comment la section Référence est organisée, examinons de plus près trois parties essentielles du package Ultralytics : les modèles, le moteur et les données.

Le sous-répertoire des modèles contient le code qui définit le fonctionnement de chaque type de modèle. 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. Dans chacune de ces catégories, tu trouveras des fichiers ou des modules qui gèrent des actions spécifiques, par exemple la façon dont le modèle génère des prédictions, est entraîné ou voit ses performances évaluées.

Pendant ce temps, le sous-répertoire du moteur fonctionne en arrière-plan pour gérer l’ensemble du processus. Alors que le sous-répertoire des modèles se concentre sur ce que chaque modèle doit faire, celui du moteur se concentre sur la manière d’exécuter réellement ces tâches de façon cohérente et efficace.

De son côté, le sous-répertoire des données est chargé de charger et de préparer les jeux de données. Cette partie de la base de code garantit que tes données d’entraînement sont propres, structurées et variées, ce qui aide le modèle à mieux apprendre et à généraliser plus efficacement.

Cette séparation claire facilite la maintenance du code et offre aux utilisateurs la possibilité de le personnaliser.

Exemples 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 chaque fonction, 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 d’utilisation de la section Référence de la documentation :

• Si tu te demandes « Comment le modèle génère-t-il des prédictions ? », tu peux accéder à la catégorie Models de la section Référence, sélectionner un type de modèle (comme YOLO), choisir une tâche (comme detect), puis ouvrir la page Predict pour obtenir plus de détails.
• Si tu veux savoir comment les augmentations de données sont appliquées, tu peux consulter la page Augment dans la catégorie Data. Elle répertorie les techniques d’augmentation intégrées utilisées pour améliorer les performances du modèle et la diversité des données d’entraînement.

Explorer les résultats grâce à la section Référence#

La section Référence est également utile lorsque tu cherches à comprendre les sorties renvoyées par ton modèle. Après qu’un modèle comme Ultralytics YOLO11 a effectué une inférence sur une image, il renvoie un ensemble de résultats décrivant ce qui a été détecté.

Par exemple, dans un flux vidéo provenant d’une caméra, il peut détecter une personne et mettre en évidence sa position à l’aide d’une boîte englobante, accompagnée d’un score de confiance, une valeur comprise entre 0 et 1 qui indique le degré de certitude du modèle concernant la détection.

Si tu cherches à comprendre comment utiliser cette sortie dans ton projet, la section Référence peut t’aider. Elle comprend une page consacrée au module Results, qui détaille son contenu et explique comment y accéder dans ton code. Tu y trouveras des informations sur l’affichage des boîtes de détection, la vérification des scores de confiance, l’affichage des résultats ou leur enregistrement.

Fig. 5. Un exemple de visualisation des résultats renvoyés par YOLO11.

Points clés à retenir#

La documentation Ultralytics t’aide à comprendre comment utiliser efficacement les modèles YOLO. Elle explique des processus essentiels tels que l’entraînement des modèles, la préparation des données et l’utilisation des résultats. Chaque page contient des explications claires et des extraits de code d’exemple pour t’aider à démarrer rapidement.

Si tu souhaites comprendre ce qui se passe en arrière-plan, la section Référence de la documentation l’explique également étape par étape. Elle montre comment le code est structuré, le rôle de chaque partie et la manière dont l’ensemble fonctionne. Tu peux ainsi apprendre, personnaliser et construire tes propres projets de vision par ordinateur en toute confiance.

Rejoins notre communauté active et explore le dépôt GitHub pour en savoir plus sur la création de solutions avec l’AI. Prêt à concrétiser tes propres idées en vision par ordinateur ? Consulte nos options de licence pour commencer. Découvre comment l’AI dans l’automobile et l’AI dans le secteur de la santé ont un impact concret en visitant nos pages consacrées aux solutions.