Comment utiliser Ultralytics YOLO11 pour la classification d’images

Imaginons qu’un robot regarde deux chats, l’un noir et l’autre blanc, et qu’il doive déterminer lequel est lequel. Pour y parvenir, il peut utiliser la classification d’images, une tâche de vision par ordinateur qui aide à identifier et à catégoriser des objets ou des scènes dans une image. En fait, grâce aux avancées récentes de l’intelligence artificielle (AI), la classification d’images peut être utilisée dans une grande variété d’applications, allant de la surveillance des animaux à la fabrication et à l’agriculture, notamment pour la détection des maladies des cultures.

L’une des avancées les plus récentes en matière de classification d’images est le modèle Ultralytics YOLO11. Lancé lors de l’événement hybride annuel d’Ultralytics, YOLO Vision 2024 (YV24), YOLO11 est conçu pour traiter facilement et avec précision une grande variété de tâches de vision par ordinateur basée sur l’AI, notamment la classification d’images.

Dans cet article, nous allons explorer les principes fondamentaux de la classification d’images, examiner des applications concrètes et te montrer comment utiliser YOLO11 pour la classification d’images avec le package Python Ultralytics. Nous verrons également comment tester les capacités de YOLO11 sur Ultralytics HUB en quelques étapes simples. Commençons !

Fig. 1. Exemple d’utilisation d’Ultralytics YOLO11 pour classifier un chat persan.

Qu’est-ce que la classification d’images ?#

La classification d’images consiste à attribuer une étiquette ou un tag à une image en fonction de motifs appris à partir d’images précédemment étiquetées. En analysant attentivement les pixels d’une image, un modèle de vision par ordinateur peut trouver la correspondance la plus pertinente pour cette image. Des modèles fiables comme Ultralytics YOLO11 peuvent effectuer ce processus de manière fluide. L’architecture du modèle YOLO11 permet de traiter des images ou des trames vidéo presque instantanément, ce qui le rend idéal pour les applications nécessitant une classification d’images rapide et précise.

Pour bien comprendre la portée de la classification d’images, il est utile de la distinguer d’autres tâches comme la détection d’objets. Alors que la classification d’images étiquette une image entière, la détection d’objets identifie et localise chaque objet présent dans l’image.

Fig. 2. Comparaison entre la classification d’images, la détection d’objets et la segmentation d’images.

Prenons l’exemple d’une image représentant une girafe. En classification d’images, le modèle peut simplement étiqueter l’image entière comme représentant une girafe, en fonction de son contenu global. En revanche, avec la détection d’objets, le modèle ne se contente pas d’identifier la girafe : il place également une boîte englobante autour d’elle afin de préciser son emplacement exact dans l’image.

Imaginons maintenant que la girafe se tienne près d’un arbre dans une savane avec d’autres animaux. Un modèle de classification d’images pourrait étiqueter la scène entière comme une savane ou simplement comme de la faune sauvage. En revanche, avec la détection d’objets, le modèle identifierait chaque élément individuellement : la girafe, l’arbre et les autres animaux, chacun avec sa propre boîte englobante.

Applications de la classification d’images avec Ultralytics YOLO11#

La précision et les performances du modèle Ultralytics YOLO11 pour la classification d’images le rendent utile dans un large éventail de secteurs. Explorons quelques-unes des principales applications de YOLO11 pour la classification d’images.

Classification d’images avec Ultralytics YOLO11 dans l’agriculture#

La classification d’images peut contribuer à rationaliser de nombreuses fonctions dans le secteur de l’agriculture. Plus précisément, en utilisant des modèles de classification d’images comme YOLO11, les agriculteurs peuvent surveiller en continu l’état de leurs cultures, détecter les maladies graves et identifier avec précision toute infestation parasitaire.

Voici comment cela fonctionne :

• Capture d’images : des appareils de l’Internet des objets (IoT), comme des caméras et des drones, peuvent être déployés pour capturer en temps réel des images des cultures sous différents angles et depuis différents emplacements dans les champs.
• Traitement : selon les ressources et la connectivité disponibles, les images peuvent être traitées sur place grâce à l’informatique en périphérie ou téléversées vers le cloud pour une analyse plus approfondie.
• Classification d’images avec YOLO11 : le modèle YOLO11 peut analyser ces images afin de classifier différents états des cultures. Les classes courantes peuvent inclure : saine, malade, infestée par des parasites ou carencée en nutriments, ce qui aide à localiser les problèmes spécifiques affectant différentes zones du champ.
• Génération d’informations : à partir des classifications, Ultralytics YOLO11 fournit des informations sur les indicateurs de santé des cultures, aidant les agriculteurs à détecter les premiers signes de maladie, à identifier les zones fortement infestées par des parasites ou à repérer les carences en nutriments.
• Prise de décision éclairée : grâce à ces informations, les agriculteurs peuvent prendre des décisions ciblées concernant l’irrigation, la fertilisation et la lutte contre les parasites, en n’appliquant les ressources que là où elles sont le plus nécessaires.

Fig. 3. Exemple de différentes classes de feuilles, de saines à infectées.

Classification d’images avec Ultralytics YOLO11 dans le commerce de détail#

La classification d’images peut considérablement améliorer l’expérience d’achat dans le commerce de détail, en la rendant plus personnalisée et conviviale. Les détaillants peuvent utiliser des modèles de vision par ordinateur entraînés sur mesure pour reconnaître les produits de leur inventaire et intégrer cette fonctionnalité à leurs applications mobiles ou à leurs sites web. Les clients peuvent ensuite rechercher des produits simplement en téléversant une photo, ce qui rend les achats plus rapides et pratiques.

Lorsqu’un client téléverse une image dans un système de recherche visuelle, plusieurs opérations se déroulent en arrière-plan avant l’affichage des résultats.

Tout d’abord, la détection d’objets peut servir à isoler les principaux éléments de l’image, par exemple en identifiant un vêtement ou un meuble et en le séparant de l’arrière-plan. Ensuite, la classification d’images peut être utilisée pour catégoriser davantage chaque élément, en déterminant s’il s’agit d’une veste, d’une chemise, d’un canapé ou d’une table.

Grâce à ces informations, le système peut afficher des produits similaires disponibles à l’achat, ce qui est particulièrement utile pour trouver des articles originaux ou tendance difficiles à décrire uniquement avec des mots. La même technologie peut également simplifier d’autres tâches du commerce de détail, comme la gestion des stocks, en reconnaissant et en catégorisant automatiquement les articles.

Fig. 4. Une plateforme de recherche visuelle fondée sur la classification d’images en action.

Surveillance de la faune sauvage avec la classification d’images Ultralytics YOLO11#

Traditionnellement, surveiller les animaux sauvages est une tâche fastidieuse qui mobilise de nombreuses personnes pour trier et analyser manuellement des milliers de photos. Avec des modèles de vision par ordinateur comme Ultralytics YOLO11, les chercheurs peuvent surveiller automatiquement les animaux plus rapidement. Des caméras peuvent être installées dans les habitats naturels pour prendre des photos. Le modèle de vision basé sur l’AI peut ensuite analyser ces photos et classifier les animaux qu’elles contiennent, le cas échéant. Un tel système peut aider les chercheurs à étudier les populations animales et à suivre leurs schémas de migration, etc.

Les modèles d’AI et de vision par ordinateur comme Ultralytics YOLO11 peuvent également aider dans ce domaine en simplifiant le processus de classification des espèces menacées. En identifiant les espèces ou catégories de races potentielles auxquelles un animal peut appartenir, ces modèles peuvent fournir des données essentielles aux chercheurs. Par exemple, l’Université de Tasmanie (UTAS) a développé un système fondé sur la classification d’images pour surveiller différentes espèces de la faune tasmanienne. Les prédictions des modèles peuvent ensuite aider les scientifiques et les chercheurs à surveiller l’activité et le comportement des animaux, qui peuvent révéler des menaces telles que le braconnage ou la perte d’habitat.

Fig. 5. Ultralytics YOLO11 prédisant les races possibles auxquelles un chien peut appartenir.

Tester la classification d’images avec le modèle Ultralytics YOLO11#

Maintenant que nous avons expliqué ce qu’est la classification d’images et exploré certaines de ses applications, voyons comment tester la classification d’images avec le nouveau modèle YOLO11. Deux méthodes simples s’offrent à toi pour commencer : utiliser le package Python Ultralytics ou passer par Ultralytics HUB. Nous allons parcourir ces deux options.

Exécuter des inférences avec Ultralytics YOLO11#

Pour commencer avec le package Python Ultralytics, il te suffit de l’installer avec pip, conda ou Docker. Si tu rencontres des problèmes, consulte notre Guide des problèmes courants pour obtenir des conseils de dépannage.

Une fois le package installé, tu peux utiliser le code suivant pour charger une variante du modèle de classification d’images Ultralytics YOLO11 et exécuter une inférence sur une image. Exécuter une inférence consiste à utiliser un modèle entraîné pour effectuer des prédictions sur de nouvelles données encore jamais vues. Tu peux faire un essai avec l’image de ton choix !

Fig. 6. Exécution d’inférences avec le modèle Ultralytics YOLO11.

Entraîner un modèle de classification Ultralytics YOLO11 personnalisé#

Tu peux également utiliser le même package Python pour entraîner un modèle de classification Ultralytics YOLO11 personnalisé. L’entraînement personnalisé te permet d’ajuster finement un modèle YOLO11 pour répondre à tes besoins spécifiques. Par exemple, si tu développes une application destinée à classifier différentes races de chats, tu peux entraîner un modèle YOLO11 personnalisé spécialement à cette fin.

Le code ci-dessous montre comment charger et entraîner un modèle de classification d’images Ultralytics YOLO11. Il te permet de transférer des poids préentraînés, en utilisant les connaissances d’un modèle existant pour améliorer les performances de ton propre modèle. Tu peux spécifier un jeu de données, comme le jeu de données "fashion-mnist", un ensemble bien connu d’images en niveaux de gris représentant des vêtements (chemises, pantalons, chaussures, etc.). L’entraînement du modèle sur ce jeu de données lui apprend à reconnaître différentes catégories de vêtements. Tu peux remplacer "fashion-mnist" par n’importe quel jeu de données adapté à ton projet, par exemple des races de chats ou des types de plantes.

Fig. 7. Entraînement personnalisé d’un modèle Ultralytics YOLO11 pour la classification d’images.

Essayer YOLO11 sur Ultralytics HUB#

Bien que l’utilisation du package Ultralytics soit simple, elle nécessite certaines connaissances en Python. Si tu recherches une option plus accessible aux débutants, tu peux utiliser Ultralytics HUB, une plateforme conçue pour rendre l’entraînement et le déploiement de différents modèles YOLO simples et accessibles. Pour commencer, tu devras créer un compte.

Une fois connecté, accède à la section « Models » et sélectionne le modèle Ultralytics YOLO11 pour la classification d’images. Tu verras plusieurs tailles de modèles disponibles : nano, small, medium, large et extra-large. Après avoir choisi un modèle, tu peux téléverser une image dans la section « Preview », où les prédictions apparaîtront à gauche de la page une fois l’image traitée.

Fig. 8. Utiliser Ultralytics HUB pour exécuter une inférence.

Points clés à retenir#

YOLO11 offre de puissantes capacités de classification d’images qui ouvrent de nouvelles possibilités dans divers secteurs. De l’amélioration de la surveillance des cultures en agriculture à l’optimisation de la recherche de produits dans le commerce de détail, en passant par la protection de la faune sauvage, la rapidité et la précision de YOLO11 le rendent idéal pour des applications variées. Grâce aux options d’entraînement personnalisé via le package Python Ultralytics ou à une configuration sans code conviviale sur Ultralytics HUB, les utilisateurs peuvent facilement intégrer YOLO11 à leurs workflows. Alors que de plus en plus de secteurs adoptent des solutions d’AI, YOLO11 offre un outil flexible et performant qui favorise l’innovation et les avancées concrètes.

Pour en savoir plus, consulte notre dépôt GitHub et rejoins notre communauté. Découvre les applications de l’AI dans les voitures autonomes et les soins de santé sur nos pages consacrées aux solutions. 🚀