Comment utiliser Ultralytics YOLO11 pour la segmentation d’instances

La vision par ordinateur, un domaine de l’intelligence artificielle (AI) qui aide les machines à interpréter et à comprendre les informations visuelles, permet d’effectuer des tâches comme la segmentation d’instances. La segmentation d’instances peut servir à analyser une image ou une trame vidéo afin de délimiter précisément chaque objet distinct présent dans l’image, même lorsque plusieurs objets du même type sont présents. Grâce à son haut niveau de précision, la segmentation d’instances s’applique à un large éventail de domaines, qu’il s’agisse d’aider les voitures autonomes à détecter les obstacles sur la route ou d’identifier des tumeurs sur des scanners médicaux.

Au fil des années, la segmentation d’instances a considérablement évolué. Une avancée récente a été présentée lors de l’événement hybride annuel d’Ultralytics, YOLO Vision 2024 (YV24), sous la forme du modèle Ultralytics YOLO11. Ce nouveau modèle prend en charge les mêmes tâches de vision par ordinateur (y compris la segmentation d’instances) que le modèle Ultralytics YOLOv8, ce qui permet aux utilisateurs familiers des versions précédentes d’adopter le nouveau modèle en toute simplicité.

Fig. 1. Exemple d’utilisation du modèle Ultralytics YOLO11 pour la segmentation d’instances.

Dans cet article, nous allons explorer la segmentation d’instances et voir en quoi elle diffère d’autres tâches de vision par ordinateur, comme la segmentation sémantique, ainsi que présenter certaines de ses applications. Nous verrons également comment utiliser le modèle de segmentation d’instances YOLO11 avec le package Python Ultralytics et la plateforme Ultralytics HUB. C’est parti !

Qu’est-ce que la segmentation d’instances ?#

La segmentation d’instances permet d’identifier les objets d’une image et d’en tracer le contour au niveau du pixel. Le processus consiste généralement à commencer par détecter les objets et à dessiner des boîtes englobantes autour d’eux. Ensuite, un algorithme de segmentation classe chaque pixel situé dans la boîte englobante afin de créer un masque précis pour chaque objet.

La segmentation d’instances se distingue également de tâches comme la segmentation sémantique et la segmentation panoptique. La segmentation sémantique attribue une étiquette à chaque pixel en fonction de la catégorie générale d’un objet, sans distinguer les instances individuelles. La segmentation panoptique, quant à elle, combine la segmentation d’instances et la segmentation sémantique en attribuant à chaque pixel une classe et un identifiant d’instance, afin d’identifier les objets individuels au sein de chaque catégorie.

Fig. 2. Utilisation de YOLO11 pour détecter et segmenter une personne et un chien.

Les capacités de la segmentation d’instances peuvent être utilisées dans différents scénarios qui peuvent nécessiter des modèles distincts. Par exemple, un modèle léger peut être idéal pour le traitement en temps réel dans les applications mobiles, tandis qu’un modèle plus complexe peut être utilisé pour des tâches de haute précision comme le contrôle qualité dans l’industrie manufacturière.

Comme les modèles précédents, le modèle de segmentation d’instances YOLO11 est également disponible en plusieurs variantes selon tes besoins. Ces variantes comprennent YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) et YOLO11x-seg (Extra Large). Ces modèles diffèrent par leur taille, leur vitesse de traitement, leur précision et la quantité de puissance de calcul nécessaire. En fonction de tes exigences spécifiques, tu peux choisir le modèle le mieux adapté à ton application.

Applications de la segmentation YOLO11#

Les capacités avancées de segmentation d’instances de YOLO11 ouvrent la voie à de nombreuses applications dans divers secteurs. Examinons de plus près certaines d’entre elles.

Utiliser la segmentation YOLO11 dans le secteur pétrolier et gazier#

L’extraction de pétrole et de gaz implique la gestion de fluctuations de pression extrêmement importantes. Des techniques comme le torchage du gaz permettent de brûler le gaz naturel produit lors de l’extraction du pétrole. Cela est nécessaire pour des raisons de sécurité. Par exemple, lors de l’extraction du pétrole brut, une hausse soudaine ou importante de la pression peut provoquer une explosion. Bien que rares, les accidents industriels dans le secteur de la production de pétrole et de gaz peuvent déclencher des incendies intenses, difficiles à contenir et à maîtriser. Le torchage du gaz aide les opérateurs à dépressuriser les équipements en toute sécurité et à gérer les fluctuations de pression importantes et imprévisibles en brûlant l’excédent de gaz.

Les systèmes d’AI peuvent améliorer ce processus de surveillance, et le risque d’accident peut être réduit grâce à un système de surveillance des torchères basé sur la segmentation d’instances. La surveillance du torchage du gaz est également importante pour des raisons environnementales, car un torchage excessif peut nuire à l’environnement.

Les modèles de segmentation d’instances Ultralytics YOLO11 peuvent servir à surveiller la quantité de feu et de fumée produite par le torchage. La surface en pixels de la torchère et de la fumée détectées et segmentées peut être calculée. Grâce à ces informations, les opérateurs peuvent obtenir en temps réel des informations sur la torchère et la fumée produites par le torchage, ce qui les aide à prévenir les accidents et les impacts négatifs sur l’environnement.

Fig. 3. Exemple de surveillance d’une torchère avec YOLO11 dans le secteur pétrolier et gazier.

Segmentation d’instances avec YOLO11 pour la gestion des déchets plastiques#

Le personnel des installations de gestion des déchets et de recyclage peut utiliser des systèmes basés sur la segmentation d’instances YOLO11 pour identifier les déchets plastiques. YOLO11 peut être intégré à des systèmes de tri robotisés afin d’identifier précisément différents matériaux, comme le carton et le plastique (pour les traiter séparément). C’est particulièrement important, car sur les 7 milliards de tonnes de déchets plastiques produits dans le monde, seuls environ 10 % sont recyclés.

L’automatisation de l’identification et du tri des déchets plastiques réduit considérablement le temps nécessaire par rapport aux méthodes traditionnelles, où les employés trient les articles à la main. Les modèles de vision par ordinateur peuvent même segmenter les plastiques souples, comme les films et les sacs, qui sont particulièrement difficiles à traiter, car ils s’emmêlent souvent. Les modèles YOLO11 peuvent également être entraînés sur mesure pour segmenter différents types de plastiques. Nous verrons plus en détail comment entraîner sur mesure un modèle YOLO11 dans les sections suivantes.

Fig. 4. Identification des déchets plastiques avec Ultralytics YOLO11.

Segmentation YOLO11 dans les véhicules autonomes#

Un autre cas d’utilisation intéressant de la segmentation d’instances concerne les voitures autonomes. YOLO11 permet aux voitures autonomes d’améliorer la sécurité des passagers et des autres usagers de la route en reconnaissant précisément les objets au niveau du pixel. Le système de caméras embarqué de la voiture peut capturer des images de son environnement et les analyser à l’aide de YOLO11 et de la segmentation d’instances. Chaque objet (piétons, feux de circulation, autres véhicules, etc.) présent dans l’image est segmenté et reçoit une étiquette. Ce niveau de précision permet aux voitures autonomes d’identifier chacun des objets qui les entourent.

Fig. 5. Utilisation de YOLO11 et de la segmentation d’instances pour identifier les véhicules et les piétons sur la route.

Tester la segmentation d’instances avec le modèle YOLO11#

Maintenant que nous avons exploré la segmentation d’instances et présenté certaines de ses applications, voyons comment la tester avec le modèle Ultralytics YOLO11.

Il existe deux façons de procéder : tu peux utiliser le package Python Ultralytics ou Ultralytics HUB. Nous allons explorer les deux méthodes, en commençant par le package Python.

Exécuter des inférences avec YOLO11#

Exécuter une inférence consiste à utiliser le modèle pour analyser de nouvelles données qui n’ont pas encore été vues. Pour exécuter une inférence avec le modèle de segmentation d’instances YOLO11 dans le code, nous devons installer le package Python Ultralytics à l’aide de pip, conda ou docker. Si tu rencontres des problèmes lors de l’installation, tu peux consulter notre guide des problèmes courants pour obtenir de l’aide au dépannage. Une fois le package installé, tu peux exécuter le code ci-dessous pour charger le modèle de segmentation d’instances YOLO11 et effectuer des prédictions sur une image.

Fig. 6. Exécution d’une inférence sur une image avec YOLO11n-seg.

Entraîner un modèle YOLO11 personnalisé#

Avec la même configuration de code, tu peux également entraîner un modèle YOLO11 personnalisé. En affinant un modèle YOLO11, tu peux créer une version personnalisée qui répond mieux aux exigences de ton projet spécifique. Par exemple, les détaillants peuvent utiliser un modèle personnalisé pour segmenter précisément les caractéristiques physiques d’un client afin de lui recommander des vêtements bien ajustés. L’extrait de code ci-dessous montre comment charger et entraîner un modèle YOLO11 pour la segmentation d’instances. Tu peux partir d’une configuration YAML ou d’un modèle préentraîné, transférer les poids et effectuer l’entraînement sur un jeu de données comme COCO afin d’obtenir une segmentation efficace.

Une fois l’entraînement terminé, tu peux effectuer des inférences avec le modèle personnalisé pour tes applications spécifiques. Grâce à l’option d’exportation, tu peux également exporter ton modèle personnalisé dans un autre format.

Segmentation d’instances YOLO11 sur Ultralytics HUB#

Maintenant que nous avons vu comment exécuter des inférences et entraîner sur mesure un modèle de segmentation d’instances YOLO11 avec du code, intéressons-nous à une alternative sans code : Ultralytics HUB. Ultralytics HUB est une plateforme intuitive d’AI appliquée à la vision qui simplifie l’entraînement et le déploiement des modèles YOLO, y compris des modèles de segmentation d’instances YOLO11.

Pour exécuter une inférence sur des images, il te suffit de créer un compte, d’accéder à la section « Models » et de sélectionner la variante du modèle de segmentation d’instances YOLO11 de ton choix. Tu peux importer une image et consulter les résultats de prédiction dans la section d’aperçu, comme illustré ci-dessous.

Fig. 7. Exécution d’inférences sur Ultralytics HUB.

Points clés à retenir#

YOLO11 offre des capacités fiables de segmentation d’instances qui ouvrent un vaste champ de possibilités dans de nombreux secteurs. De l’amélioration de la sécurité des véhicules autonomes à la surveillance du torchage du gaz dans le secteur pétrolier et gazier, en passant par l’automatisation du tri des déchets dans les centres de recyclage, la précision au niveau du pixel de YOLO11 en fait un outil idéal pour les tâches de segmentation complexes.

Grâce aux options d’entraînement personnalisé via le package Python Ultralytics et de configuration sans code avec Ultralytics HUB, les utilisateurs peuvent intégrer YOLO11 à leurs workflows en toute simplicité. Qu’il s’agisse d’applications industrielles, de santé, de commerce de détail ou de surveillance environnementale, YOLO11 offre la flexibilité et la précision nécessaires pour répondre à des besoins variés en segmentation.

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