Comment utiliser Ultralytics YOLO11 pour la classification d’images

Imaginons qu’un robot observe deux chats, l’un noir et l’autre blanc, et qu’il doive les distinguer. Pour cela, il peut utiliser la classification d’images, une tâche de vision par ordinateur qui aide à identifier et à catégoriser les objets ou les scènes d’une image. Grâce aux avancées récentes de l’intelligence artificielle (AI), la classification d’images peut servir à une grande variété d’applications, du suivi des animaux à l’industrie manufacturière et à l’agriculture, notamment pour détecter les maladies des cultures.

Le modèle Ultralytics YOLO11 constitue une avancée notable en matière de classification d’images. Lancé lors de l’événement hybride annuel d’Ultralytics, YOLO Vision 2024 (YV24), YOLO11 est conçu pour accomplir facilement et avec précision un large éventail de tâches d’IA visuelle, notamment la classification d’images. (Depuis, Ultralytics YOLO26 lui a succédé et prend en charge les mêmes tâches.)

Dans cet article, nous allons découvrir 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 paquet Python Ultralytics. Nous verrons aussi comment essayer facilement les fonctionnalités de YOLO11 sur Ultralytics HUB (maintenant Ultralytics Platform). 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 à une image en fonction de schémas appris à partir d’images préalablement étiquetées. En analysant attentivement les pixels d’une image, un modèle de vision par ordinateur peut trouver la catégorie qui lui correspond le mieux. Des modèles fiables comme Ultralytics YOLO11 effectuent cette tâche efficacement. L’architecture de YOLO11 permet de traiter presque instantanément des images ou des trames vidéo, ce qui en fait un modèle idéal pour les applications qui exigent 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 dans son ensemble, la détection d’objets identifie et localise chaque objet dans l’image.

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

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

Imagine maintenant une girafe près d’un arbre dans une savane avec d’autres animaux. Un modèle de classification d’images peut étiqueter toute la scène comme une savane ou simplement comme des animaux sauvages. 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 de nombreux secteurs. Découvrons quelques-unes des principales applications de YOLO11 en classification d’images.

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

La classification d’images peut contribuer à rationaliser de nombreuses activités dans le secteur de l’agriculture. Plus précisément, grâce aux modèles de classification d’images comme YOLO11, les agriculteurs peuvent surveiller en permanence la santé de leurs cultures, détecter les maladies graves et repérer avec une grande précision les infestations de ravageurs.

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 en divers endroits des champs.
• Traitement : Selon les ressources disponibles et la connectivité, les images peuvent être traitées sur place grâce à l’informatique en périphérie ou téléversées dans le cloud pour une analyse plus poussée.
• Classification d’images avec YOLO11 : Le modèle YOLO11 peut analyser ces images pour classer différents états des cultures. Les classes courantes peuvent inclure les cultures saines, malades, infestées de parasites ou carencées en nutriments, ce qui permet de repérer les problèmes spécifiques touchant différentes zones du champ.
• Génération d’informations : À partir des classifications, Ultralytics YOLO11 fournit des informations sur les indicateurs de santé des cultures, afin d’aider les agriculteurs à détecter les premiers signes de maladie, à repérer les foyers de parasites ou à déceler les carences en nutriments.
• Prise de décision éclairée : Grâce à ces informations, les agriculteurs peuvent prendre des décisions ciblées en matière d’irrigation, de fertilisation et de lutte antiparasitaire, et n’utiliser les ressources que là où elles sont le plus nécessaires.

Fig. 3. Exemple de différentes classes de feuilles, des feuilles saines aux feuilles infectées.

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

La classification d’images peut considérablement améliorer l’expérience d’achat en magasin 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 alors rechercher des produits simplement en téléversant une photo, pour faire leurs achats plus rapidement et plus facilement.

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

Tout d’abord, la détection d’objets peut servir à repérer les éléments principaux de l’image, par exemple un vêtement ou un meuble, et à le séparer de l’arrière-plan. Ensuite, la classification d’images peut servir à catégoriser plus précisément 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 avec des mots. Cette technologie peut également rationaliser d’autres tâches du commerce de détail, comme la gestion des stocks, en reconnaissant et en classant automatiquement les articles.

Fig. 4. Exemple d’une plateforme de recherche visuelle basée sur la classification d’images.

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

Traditionnellement, la surveillance des 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 des habitats naturels pour prendre des photos. Le modèle d’IA visuelle peut ensuite analyser ces photos et classer les animaux qu’elles contiennent, le cas échéant. Un tel système peut aider les chercheurs à étudier et à suivre les populations animales ainsi que leurs schémas migratoires.

L’IA et les modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent aussi simplifier le processus de classification des espèces menacées. En identifiant les espèces ou les catégories de races possibles auxquelles un animal peut appartenir, ces modèles peuvent fournir des données essentielles aux chercheurs. Par exemple, l’Université de Tasmanie (UTAS) a mis au point un système de classification d’images pour surveiller différentes espèces de la faune sauvage de Tasmanie. Les prédictions des modèles peuvent ensuite aider les scientifiques et les chercheurs à suivre l’activité et le comportement des animaux, qui peuvent signaler des menaces comme le braconnage ou la perte d’habitat.

Fig. 5. Ultralytics YOLO11 prédit les races possibles auxquelles un chien pourrait appartenir.

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

Maintenant que nous avons vu ce qu’est la classification d’images et exploré quelques-unes de ses applications, voyons comment essayer la classification d’images avec YOLO11. Deux méthodes simples te permettent de te lancer : utiliser le package Python Ultralytics ou passer par Ultralytics HUB. Nous allons examiner les 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 utiles.

Une fois le package installé, tu peux utiliser le code suivant pour charger une variante du modèle de classification d’images Ultralytics YOLO11 et effectuer une inférence sur une image. Effectuer une inférence signifie utiliser un modèle entraîné pour faire des prédictions sur de nouvelles données jamais vues. Tu peux essayer 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 aussi 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 en fonction de tes besoins spécifiques. Par exemple, si tu développes une application pour classer différentes races de chats, tu peux entraîner un classificateur YOLO11 personnalisé 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 et d’utiliser 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, comme 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 quelques connaissances en Python. Si tu cherches une option plus accessible aux débutants, tu peux utiliser Ultralytics HUB, une plateforme conçue pour simplifier l’entraînement et le déploiement de différents modèles YOLO. Pour commencer, tu dois créer un compte.

Une fois connecté, accède à la section « Models » et sélectionne le modèle Ultralytics YOLO11 pour la classification d’images. Plusieurs tailles de modèles sont proposées : nano, small, medium, large et extra-large. Après avoir choisi un modèle, tu peux téléverser une image dans la section « Preview » ; une fois l’image traitée, les prédictions s’afficheront sur le côté gauche de la page.

Fig. 8. Utilisation d’Ultralytics HUB pour effectuer 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 du suivi des cultures dans l’agriculture et de la recherche de produits dans le commerce de détail à la protection de la faune, la rapidité et la précision de YOLO11 en font un outil idéal pour de nombreuses applications. Grâce aux options d’entraînement personnalisé avec le package Python Ultralytics ou à une configuration sans code conviviale sur Ultralytics HUB, les utilisateurs peuvent facilement intégrer YOLO11 à leurs flux de travail. Alors que de plus en plus de secteurs adoptent l’IA, YOLO11 offre une solution flexible et rapide pour la classification d’images.

Pour en savoir plus, consulte notre dépôt GitHub et échange avec notre communauté. Découvre les applications de l’IA dans les véhicules autonomes et les soins de santé sur nos pages dédiées aux solutions.