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 notamment la segmentation d’instances. Cette technique permet d’analyser une image ou une trame vidéo et de délimiter précisément chaque objet distinct, même lorsque plusieurs objets de même type sont présents. Grâce à son haut niveau de précision, la segmentation d’instances a de nombreuses applications : elle peut aider les voitures autonomes à détecter les obstacles sur la route ou permettre de repérer des tumeurs dans des examens médicaux.

Au fil des ans, 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), avec le modèle Ultralytics YOLO11, auquel a depuis succédé Ultralytics YOLO26. Le nouveau modèle prend en charge les mêmes tâches de vision par ordinateur, dont la segmentation d’instances, que le modèle Ultralytics YOLOv8. Les utilisateurs qui connaissent les versions précédentes peuvent donc facilement adopter le nouveau modèle.

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

Dans cet article, nous allons découvrir la segmentation d’instances, expliquer en quoi elle diffère d’autres tâches de vision par ordinateur comme la segmentation sémantique et examiner quelques-unes de ses applications. Nous verrons aussi comment utiliser le modèle YOLO11 de segmentation d’instances avec le paquet Python Ultralytics et Ultralytics HUB (maintenant Ultralytics Platform). Commençons !

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

La segmentation d’instances permet d’identifier des objets dans une image et d’en tracer les contours au niveau du pixel. Le processus commence généralement par la détection des objets et le tracé de boîtes englobantes autour de ceux-ci. Ensuite, un algorithme de segmentation classe chaque pixel à l’intérieur de la boîte englobante pour 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 à chaque pixel une catégorie générale d’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 de chaque catégorie.

Fig. 2. Détection et segmentation d’une personne et d’un chien avec YOLO11.

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

Comme les modèles précédents, le modèle YOLO11 de segmentation d’instances existe en plusieurs variantes selon tes besoins : 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 puissance de calcul nécessaire. Selon tes besoins spécifiques, tu peux choisir le modèle le mieux adapté à ton application.

Applications de la segmentation d’instances avec YOLO11#

Les capacités avancées de segmentation d’instances de YOLO11 ouvrent la voie à de nombreuses applications dans différents secteurs. Examinons de plus près quelques-unes d’entre elles.

Utiliser la segmentation YOLO11 dans le secteur pétrolier et gazier#

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

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

Les modèles Ultralytics YOLO11 de segmentation d’instances peuvent servir à surveiller l’étendue des flammes et de la fumée produites par le torchage. Il est possible de calculer la surface en pixels des flammes et de la fumée détectées et segmentées. Grâce à ces informations, les exploitants peuvent obtenir en temps réel des données sur les flammes et la fumée produites par le torchage, ce qui les aide à prévenir les accidents et les effets néfastes sur l’environnement.

Fig. 3. Exemple de surveillance des torchères 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 reposant sur la segmentation d’instances YOLO11 pour identifier les déchets plastiques. YOLO11 peut être intégré à des systèmes de tri robotisés afin d’identifier avec précision différents déchets, comme le carton et le plastique, à traiter séparément. C’est particulièrement important étant donné que, sur les 7 milliards de tonnes métriques de déchets plastiques produits dans le monde, seuls environ 10 % sont recyclés.

Automatiser l’identification et le tri des déchets plastiques réduit considérablement le temps nécessaire par rapport aux méthodes traditionnelles, où les employés trient les objets 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 parce qu’ils s’emmêlent souvent. Les modèles YOLO11 peuvent aussi être entraînés sur mesure pour segmenter différents types de plastiques. Dans les sections suivantes, nous verrons comment entraîner sur mesure un modèle YOLO11.

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

Segmentation YOLO11 dans les véhicules autonomes#

Les voitures autonomes constituent une autre application intéressante de la segmentation d’instances. YOLO11 permet aux voitures autonomes d’améliorer la sécurité des passagers et des autres usagers de la route en reconnaissant les objets avec précision au niveau du pixel. Le système de caméras embarquées de la voiture peut capturer des images de son environnement et les analyser avec YOLO11 et la segmentation d’instances. Chaque objet de l’image, qu’il s’agisse d’un piéton, d’un feu de circulation ou d’un autre véhicule, est segmenté et étiqueté. Cette 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.

Essayer la segmentation d’instances avec le modèle YOLO11#

Maintenant que nous avons exploré la segmentation d’instances et présenté quelques-unes de ses applications, voyons comment l’essayer avec le modèle Ultralytics YOLO11.

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

Exécuter des inférences avec YOLO11#

L’exécution d’une inférence consiste à utiliser le modèle pour analyser de nouvelles données qu’il n’a jamais vues auparavant. Pour lancer une inférence avec le modèle YOLO11 de segmentation d’instances en utilisant du code, nous devons installer le paquet Python Ultralytics avec pip, conda ou Docker. Si tu rencontres des problèmes lors de l’installation, consulte notre guide des problèmes fréquents pour obtenir de l’aide au dépannage. Une fois le paquet installé, tu peux exécuter le code ci-dessous pour charger le modèle de segmentation d’instances YOLO11n-seg 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 aussi entraîner un modèle YOLO11 personnalisé. En ajustant un modèle YOLO11, tu peux en créer une version personnalisée mieux adaptée aux exigences spécifiques de ton projet. Par exemple, les détaillants peuvent utiliser un modèle personnalisé pour segmenter avec précision les caractéristiques physiques d’un client et 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 entraîner le modèle sur un jeu de données comme COCO pour obtenir une segmentation efficace.

Une fois l’entraînement terminé, tu peux effectuer des inférences avec le modèle personnalisé pour tes applications spécifiques. Tu peux également convertir ton modèle personnalisé vers d’autres formats de déploiement à l’aide du mode d’exportation.

Segmentation d’instances YOLO11 sur Ultralytics HUB#

Après avoir vu comment exécuter des inférences et entraîner sur mesure un modèle YOLO11 de segmentation d’instances avec du code, découvrons une solution sans code : Ultralytics HUB. Ultralytics HUB est une plateforme intuitive d’IA visuelle qui simplifie l’entraînement et le déploiement de modèles YOLO, y compris les modèles YOLO11 de segmentation d’instances.

Pour lancer 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 YOLO11 de segmentation d’instances de ton choix. Tu peux téléverser 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 de nombreuses possibilités dans différents 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 une solution idéale pour les tâches de segmentation complexes.

Grâce aux options d’entraînement personnalisé offertes par le paquet Python Ultralytics et à la configuration sans code d’Ultralytics HUB, les utilisateurs peuvent intégrer YOLO11 à leurs flux de travail. Pour des applications industrielles, dans le secteur de la santé ou du commerce de détail, ou pour la surveillance environnementale, YOLO11 offre la flexibilité et la précision nécessaires à divers besoins en segmentation.

Pour en découvrir davantage, visite notre dépôt GitHub et échange avec notre communauté. Découvre les applications de l’IA dans les voitures autonomes et l’agriculture sur nos pages de solutions.