Comment utiliser Ultralytics YOLO11 pour la détection d’objets avec OBB

L’événement hybride annuel d’Ultralytics, YOLO Vision 2024 (YV24), était consacré aux dernières avancées en IA et en vision par ordinateur. C’est aussi là que nous avons présenté notre modèle alors le plus récent, Ultralytics YOLO11, depuis remplacé par Ultralytics YOLO26. Le modèle prend en charge les mêmes tâches de vision par ordinateur qu’Ultralytics YOLOv8, ce qui facilite la transition vers le nouveau modèle pour les utilisateurs.

Supposons que tu utilisais YOLOv8 pour la détection d’objets avec boîtes englobantes orientées (OBB) afin de détecter des objets sous différents angles. Tu peux maintenant passer à YOLO11 en apportant quelques modifications mineures à ton code et profiter des améliorations de YOLO11, qui vont d’une précision et d’une efficacité accrues à une vitesse de traitement supérieure. Si tu n’as pas encore utilisé de modèles comme YOLO11, la détection OBB illustre très bien comment YOLO11 peut s’appliquer à divers secteurs et proposer des solutions concrètes ayant un impact réel.

Dans cet article, nous allons voir ce qu’est la détection d’objets OBB, où elle peut être utilisée et comment détecter des OBB avec Ultralytics YOLO11. Nous verrons également comment les nouvelles fonctionnalités de YOLO11 peuvent améliorer ces processus, et comment exécuter des inférences et entraîner des modèles personnalisés pour tirer le meilleur parti de ses capacités de détection OBB.

Les fonctionnalités nouvelle génération d’Ultralytics YOLO11 comprennent des tâches comme la détection d’objets OBB#

La détection d’objets OBB va au-delà de la détection d’objets traditionnelle en détectant les objets sous différents angles. Contrairement aux boîtes englobantes classiques, qui restent alignées sur les axes de l’image, les boîtes OBB pivotent pour épouser l’orientation de l’objet. La détection d’objets OBB peut servir à analyser des images aériennes ou satellite, où les objets ne sont pas toujours droits. Dans des secteurs comme l’urbanisme, l’énergie et le transport, la capacité à détecter précisément des objets inclinés, comme des bâtiments, des véhicules ou des infrastructures, peut constituer le fondement d’applications de vision par ordinateur aux avantages tangibles.

Fig. 1. Comparaison entre des boîtes englobantes classiques et des boîtes englobantes orientées.

YOLO11 prend en charge la détection OBB et a été entraîné sur le jeu de données DOTA v1.0 pour détecter des objets comme des avions, des navires et des réservoirs de stockage sous différents angles. YOLO11 est proposé en plusieurs variantes de modèles pour répondre à différents besoins, notamment YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) et YOLO11x-obb (Extra Large). Chaque modèle a une taille différente et offre un niveau variable de vitesse, de précision et de puissance de calcul. Les utilisateurs peuvent choisir le modèle offrant le bon équilibre entre vitesse et précision pour leur application.

Cas d’utilisation d’Ultralytics YOLO11 qui renouvellent la détection#

Les capacités de détection d’objets d’Ultralytics YOLO11, en particulier sa prise en charge des boîtes englobantes orientées, offrent une plus grande précision à divers secteurs. Voyons maintenant quelques exemples d’utilisation de YOLO11 et de la détection OBB dans des situations concrètes, afin de rendre les processus plus efficaces, plus précis et plus faciles à gérer dans différents domaines.

Urbanisme et surveillance des infrastructures avec Ultralytics YOLO11#

Si tu as déjà admiré la conception et l’aménagement d’une ville, c’est grâce au travail minutieux de l’urbanisme et de la surveillance des infrastructures. La surveillance des infrastructures comprend notamment l’identification et la gestion de structures importantes comme les réservoirs de stockage, les pipelines et les sites industriels. Ultralytics YOLO11 peut aider les urbanistes à analyser des images aériennes pour détecter rapidement et précisément ces éléments essentiels.

La détection d’objets par boîtes englobantes orientées est particulièrement utile dans ce contexte, car elle permet de détecter des objets vus sous différents angles, ce qui est fréquent dans les images aériennes. La précision est essentielle pour surveiller les zones industrielles, gérer les impacts environnementaux et assurer l’entretien adéquat des infrastructures. OBB rend le processus de détection plus fiable et aide les urbanistes à prendre des décisions éclairées sur la croissance, la sécurité et la durabilité de la ville. Ultralytics YOLO11 peut aider les urbanistes à surveiller et à gérer les infrastructures qui assurent le bon fonctionnement des villes.

Fig. 2. Utilisation d’Ultralytics YOLO11 pour détecter des réservoirs de stockage dans des images aériennes.

Inspection de panneaux solaires par drone avec Ultralytics YOLO11 et l’IA edge#

À mesure que les énergies renouvelables et les innovations comme les fermes solaires gagnent en popularité, les inspections régulières deviennent de plus en plus importantes. Il faut vérifier les panneaux solaires pour s’assurer qu’ils fonctionnent efficacement. Avec le temps, des problèmes comme des fissures, l’accumulation de saleté ou un mauvais alignement peuvent réduire leurs performances. Les inspections de routine aident à détecter ces problèmes rapidement et à effectuer l’entretien nécessaire pour assurer leur bon fonctionnement.

Par exemple, les panneaux solaires peuvent être inspectés pour repérer les dommages à l’aide de drones intégrant l’IA en périphérie et d’Ultralytics YOLO11. L’analyse des images en périphérie apporte davantage de précision et d’efficacité au processus d’inspection. En raison des mouvements et de la perspective du drone, les images capturent souvent les panneaux solaires sous différents angles. Dans ces cas, la détection OBB de YOLO11 peut aider les drones à repérer précisément les panneaux solaires.

Ultralytics YOLO11 peut fournir des informations utiles à la gestion de flotte#

Les ports et les havres accueillent des centaines de navires chaque semaine, et gérer une flotte aussi vaste peut être difficile. La difficulté augmente lorsqu’on analyse des navires dans des images aériennes, car les navires apparaissent souvent sous différents angles. C’est là que la prise en charge de la détection OBB par Ultralytics YOLO11 s’avère utile.

La détection OBB permet au modèle de détecter des navires sous différents angles avec plus de précision qu’avec des boîtes rectangulaires standard. En utilisant Ultralytics YOLO11 avec OBB, les compagnies maritimes peuvent repérer plus facilement l’emplacement et l’état de leur flotte, tout en suivant des détails importants comme les mouvements de la flotte et la logistique de la chaîne d’approvisionnement. Ces solutions de vision par ordinateur contribuent à optimiser les itinéraires, à réduire les retards et à améliorer la gestion globale des flottes sur les routes maritimes.

Fig. 3. Utilisation d’Ultralytics YOLO11 pour détecter des navires et des ports sous un angle.

Ultralytics YOLO11 pour les développeurs IA : détection de boîtes englobantes orientées#

Si tu développes des solutions d’IA et souhaites utiliser YOLO11 pour la détection OBB, deux options simples s’offrent à toi pour commencer. Si tu es à l’aise avec le code, le package Python Ultralytics est un excellent choix. Si tu préfères une solution conviviale sans code qui permet l’entraînement dans le cloud, Ultralytics HUB (maintenant Ultralytics Platform) est la plateforme qu’il te faut. Pour plus de détails, consulte notre guide sur l’entraînement et le déploiement d’Ultralytics YOLO11 avec Ultralytics HUB.

Après avoir vu des exemples d’applications de la prise en charge de l’OBB par YOLO11, découvrons le package Python Ultralytics et voyons comment exécuter des inférences et entraîner des modèles personnalisés avec celui-ci.

Exécuter des inférences avec Ultralytics YOLO11#

Pour commencer, tu dois installer le package Ultralytics afin d’utiliser YOLO11 avec Python. Selon tes préférences, tu peux l’installer avec pip, conda ou Docker. Pour suivre les instructions étape par étape, consulte notre guide d’installation d’Ultralytics. Si tu rencontres des difficultés pendant l’installation, notre guide des problèmes courants propose des conseils utiles pour les résoudre.

Une fois le package Ultralytics installé, utiliser YOLO11 est simple. Lancer une inférence consiste à utiliser un modèle entraîné pour faire des prédictions sur de nouvelles images, par exemple détecter des objets avec OBB en temps réel. Ce processus diffère de l’entraînement du modèle, qui lui apprend à reconnaître de nouveaux objets ou à améliorer ses performances sur des tâches précises. L’inférence sert à appliquer le modèle à des données qu’il n’a pas encore vues.

L’exemple ci-dessous t’explique comment charger un modèle et l’utiliser pour prédire les boîtes englobantes orientées dans une image. Pour des exemples plus détaillés et des conseils d’utilisation avancée, consulte la documentation officielle d’Ultralytics pour connaître les bonnes pratiques et obtenir des instructions supplémentaires.

Fig. 4. Extrait de code illustrant l’exécution d’inférences avec Ultralytics YOLO11.

Entraîner un modèle Ultralytics YOLO11 personnalisé#

Entraîner un modèle Ultralytics YOLO11 te permet d’ajuster ses performances sur des jeux de données et des tâches précis, comme la détection d’objets par boîtes englobantes orientées. Les modèles préentraînés comme YOLO11 conviennent à la détection d’objets générale, mais l’entraînement d’un modèle personnalisé est essentiel lorsque tu as besoin que le modèle détecte des objets particuliers ou optimise ses performances sur un jeu de données précis.

L’extrait de code ci-dessous présente les étapes à suivre pour entraîner un modèle Ultralytics YOLO11 à la détection OBB.

Tout d’abord, le modèle est initialisé à l’aide de poids YOLO11 préentraînés spécialement pour OBB (yolo11n-obb.pt). Une fonction d’entraînement sert ensuite à entraîner le modèle sur un jeu de données personnalisé, avec des paramètres tels que le fichier de configuration du jeu de données, le nombre de cycles d’entraînement, la taille des images d’entraînement et le matériel utilisé pour l’entraînement (par exemple, CPU ou GPU). Après l’entraînement, les performances du modèle sont évaluées afin de vérifier des métriques comme la précision, le rappel et la précision moyenne (mAP).

Avec le modèle entraîné, tu peux lancer des inférences sur de nouvelles images pour détecter des objets avec OBB et les visualiser. Tu peux aussi convertir le modèle entraîné dans des formats comme ONNX pour le déployer grâce à la fonction d’exportation.

Fig. 5. Exemple d’entraînement d’Ultralytics YOLO11 à la détection d’objets OBB.

Perspectives d’avenir des avancées en IA avec Ultralytics YOLO11#

Ultralytics YOLO11 étend la détection d’objets grâce à la prise en charge des boîtes englobantes orientées. Comme YOLO11 peut détecter des objets sous différents angles, il s’applique à divers secteurs. Il convient particulièrement à des secteurs comme l’urbanisme, l’énergie et le transport maritime, où la précision est cruciale pour des tâches telles que l’inspection des panneaux solaires ou la surveillance des flottes. Grâce à une vitesse accrue et à une meilleure précision, YOLO11 peut aider les développeurs d’IA à relever des défis concrets.

À mesure que l’IA est davantage adoptée et intégrée à notre quotidien, des modèles comme Ultralytics YOLO11 façonneront l’avenir des solutions d’IA.

Pour découvrir le potentiel de l’IA visuelle, rejoins notre communauté grandissante et explore notre dépôt GitHub. Découvre comment l’IA visuelle est appliquée dans des secteurs allant des soins de santé aux voitures autonomes.