8 octobre 2024
Comprenez comment Ultralytics YOLO11 peut améliorer la détection d'objets à l'aide de boîtes de délimitation orientées (OBB) et quelles sont les applications idéales pour cette tâche de vision par ordinateur.
L'événement hybride annuel d'Ultralytics, YOLO Vision 2024 (YV24), s'est concentré sur les dernières avancées en matière d'IA et de vision par ordinateur. C'était l'occasion idéale pour présenter notre dernier modèle, Ultralytics YOLO11. Ce modèle prend en charge les mêmes tâches de vision par ordinateur que l'Ultralytics YOLOv8, ce qui facilite le passage au nouveau modèle pour les utilisateurs.
Supposons que vous utilisiez YOLOv8 pour la détection d'objets à partir de boîtes de délimitation orientées (OBB) afin de détecter des objets sous différents angles. Vous pouvez maintenant passer à YOLO11 en apportant quelques modifications mineures à votre code et bénéficier des améliorations de YOLO11, qui vont de l'augmentation de la précision et de l'efficacité à la vitesse de traitement. Au cas où vous n'auriez pas encore utilisé des modèles tels que YOLO11, la détection OBB est un excellent exemple de la façon dont YOLO11 peut être appliqué à un large éventail d'industries, offrant des solutions pratiques qui ont un impact réel.
Dans cet article, nous verrons ce qu'est la détection d'objets OBB, où elle peut être appliquée et comment utiliser YOLO11 pour détecter les OBB. Nous verrons également comment les nouvelles fonctionnalités de YOLO11 peuvent améliorer ces processus et comment exécuter des inférences et former des modèles personnalisés pour tirer le meilleur parti de ses capacités de détection OBB.
La détection d'objets OBB va plus loin que la détection d'objets traditionnelle en détectant les objets sous différents angles. Contrairement aux boîtes de délimitation classiques qui restent alignées sur les axes de l'image, les OBB pivotent pour s'adapter à l'orientation de l'objet. La détection d'objets par OBB peut être utilisée pour analyser des images aériennes ou satellitaires où les objets ne sont pas toujours droits. Dans des secteurs tels que l'urbanisme, l'énergie et les transports, la capacité à détecter avec précision des objets angulaires tels que des bâtiments, des véhicules ou des infrastructures peut constituer la base d'applications de vision par ordinateur offrant des avantages tangibles.
YOLO11 prend en charge la détection des OBB et a été entraîné sur l'ensemble de données DOTA v1.0 pour détecter des objets tels que des avions, des navires et des réservoirs de stockage sous différentes perspectives. YOLO11 se décline en plusieurs 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 offre une taille différente, avec des niveaux variables de vitesse, de précision et de puissance de calcul. Les utilisateurs peuvent choisir le modèle qui offre le meilleur équilibre entre vitesse et précision pour leur application.
Les capacités de détection d'objets de YOLO11, en particulier sa prise en charge des boîtes de délimitation orientées, apportent une plus grande précision à divers secteurs d'activité. Nous allons maintenant examiner quelques exemples de la façon dont YOLO11 et la détection d'OBB peuvent être utilisés dans des situations réelles pour rendre les processus plus efficaces, plus précis et plus faciles à gérer dans différents domaines.
Si vous avez déjà admiré la conception et l'agencement d'une ville, c'est grâce au travail minutieux de la planification urbaine et de la surveillance des infrastructures. L'un des nombreux aspects de la surveillance des infrastructures consiste à identifier et à gérer les structures importantes telles que les réservoirs de stockage, les pipelines et les sites industriels. YOLO11 peut aider les urbanistes à analyser les images aériennes afin de détecter rapidement et précisément ces composants essentiels.
La détection d'objets par boîte englobante orientée est particulièrement utile car elle permet de détecter des objets vus sous différents angles (ce qui est souvent le cas avec l'imagerie aérienne). La précision est ici essentielle pour assurer le suivi des zones industrielles, gérer les impacts environnementaux et veiller à ce que les infrastructures soient correctement entretenues. L'OBB rend le processus de détection plus fiable, ce qui aide les urbanistes à prendre des décisions éclairées sur la croissance, la sécurité et la durabilité de la ville. L'utilisation de YOLO11 peut aider les urbanistes à surveiller et à gérer l'infrastructure qui assure le bon fonctionnement des villes.
Les énergies renouvelables et les innovations telles que les fermes solaires devenant de plus en plus populaires, les inspections régulières deviennent de plus en plus importantes. Les panneaux solaires doivent être vérifiés pour s'assurer qu'ils fonctionnent efficacement. Avec le temps, des éléments tels que les fissures, l'accumulation de saletés ou un mauvais alignement peuvent réduire leurs performances. Les inspections régulières permettent de détecter ces problèmes à un stade précoce, de sorte que des travaux d'entretien peuvent être effectués pour assurer leur bon fonctionnement.
Par exemple, les panneaux solaires peuvent être inspectés pour détecter les dommages à l'aide de drones intégrés avec edge AI et YOLO11. L'analyse des images à la périphérie apporte plus de précision et d'efficacité au processus d'inspection. En raison du mouvement et de la perspective du drone, les images de surveillance peuvent souvent capturer les panneaux solaires sous différents angles. Dans ce cas, la détection OBB de YOLO11 peut aider les drones à identifier avec précision les panneaux solaires.
Les ports accueillent des centaines de navires chaque semaine, et la gestion d'une flotte aussi importante peut s'avérer difficile. L'analyse des navires sur les images aériennes présente une difficulté supplémentaire : les navires apparaissent souvent sous des angles différents. C'est là que la prise en charge de la détection des OBB par YOLO11 s'avère très utile.
La détection OBB permet au modèle de détecter les navires sous différents angles avec plus de précision que les boîtes rectangulaires standard. En utilisant YOLO11 avec OBB, les compagnies maritimes peuvent plus facilement identifier l'emplacement et l'état de leur flotte, en gardant une trace des détails importants tels que les mouvements de la flotte et la logistique de la chaîne d'approvisionnement. Ces solutions basées sur la vision permettent d'optimiser les itinéraires, de réduire les retards et d'améliorer la gestion globale de la flotte sur l'ensemble des routes maritimes.
Si vous êtes un développeur d'IA et que vous souhaitez utiliser YOLO11 pour la détection d'OBB, deux options simples s'offrent à vous. Si vous êtes à l'aise avec le code, le package Ultralytics Python est un excellent choix. Si vous préférez une solution conviviale, sans code, avec des capacités de formation dans le nuage, Ultralytics HUB est une plateforme interne conçue à cet effet. Pour plus de détails, vous pouvez consulter notre guide sur la formation et le déploiement d'Ultralytics YOLO11 à l'aide d'Ultralytics HUB.
Maintenant que nous avons vu des exemples d'application du support OBB de YOLO11, explorons le package Python Ultralytics et voyons comment vous pouvez exécuter des inférences et former des modèles personnalisés en l'utilisant.
Tout d'abord, pour utiliser YOLO11 avec Python, vous devez installer le paquet Ultralytics. Selon vos préférences, vous pouvez choisir de l'installer à l'aide de pip, conda ou Docker. Pour des instructions pas à pas, vous pouvez vous référer à notre Guide d'installation d'Ultralytics. Si vous rencontrez des difficultés au cours de l'installation, notre Guide des problèmes courants propose des conseils de dépannage utiles.
Une fois que vous avez installé le paquet Ultralytics, il est très facile de travailler avec YOLO11. L'exécution d'une inférence fait référence au processus d'utilisation d'un modèle entraîné pour faire des prédictions sur de nouvelles images - comme la détection d'objets avec OBB en temps réel. Il s'agit d'un processus différent de l'entraînement du modèle, qui consiste à apprendre au modèle à reconnaître de nouveaux objets ou à améliorer ses performances dans des tâches spécifiques. L'inférence est utilisée lorsque vous souhaitez appliquer le modèle à des données inédites.
L'exemple ci-dessous vous explique comment charger un modèle et l'utiliser pour prédire les contours orientés d'une image. Pour des exemples plus détaillés et des conseils d'utilisation avancés, n'hésitez pas à consulter la documentation officielle d'Ultralytics pour connaître les meilleures pratiques et obtenir des instructions supplémentaires.
L'entraînement d'un modèle YOLO11 vous permet d'affiner ses performances sur des ensembles de données et des tâches spécifiques, telles que la détection orientée d'objets à boîte englobante. Si les modèles pré-entraînés comme YOLO11 peuvent être utilisés pour la détection générale d'objets, l'entraînement d'un modèle personnalisé est essentiel lorsque le modèle doit détecter des objets uniques ou optimiser ses performances sur un ensemble de données spécifique.
Dans l'extrait de code ci-dessous, nous décrivons les étapes de l'apprentissage d'un modèle YOLO11 pour la détection des OBB.
Tout d'abord, le modèle est initialisé en utilisant des poids pré-entraînés spécifiques à YOLO11 OBB (yolo11n-obb.pt). Ensuite, une fonction d'entraînement est utilisée pour entraîner le modèle sur un ensemble de données personnalisé, avec des paramètres tels que le fichier de configuration de l'ensemble de données, le nombre de cycles d'entraînement, la taille de l'image d'entraînement et le matériel sur lequel l 'entraînement doit être exécuté (par exemple, CPU ou GPU). Après l'entraînement, les performances du modèle sont validées pour vérifier des paramètres tels que la précision et la perte.
En utilisant le modèle formé, vous pouvez exécuter des inférences sur de nouvelles images pour détecter des objets avec OBB et les visualiser. Le modèle entraîné peut également être converti dans des formats tels que ONNX pour être déployé à l'aide de la fonction d'exportation.
Ultralytics YOLO11 porte la détection d'objets à un niveau supérieur grâce à la prise en charge des boîtes de délimitation orientées. En étant capable de détecter des objets sous différents angles, YOLO11 peut être utilisé pour diverses applications dans différents secteurs d'activité. Par exemple, il convient parfaitement à des secteurs tels que l'urbanisme, l'énergie et le transport maritime, où la précision est cruciale pour des tâches telles que l'inspection de panneaux solaires ou la surveillance de flottes. Grâce à des performances plus rapides et à une précision accrue, YOLO11 peut aider les développeurs d'IA à relever les défis du monde réel.
Alors que l'IA est de plus en plus largement adoptée et intégrée dans notre vie quotidienne, des modèles comme YOLO11 façonneront l'avenir des solutions d'IA.
Pour en savoir plus sur le potentiel de Vision AI, rejoignez notre communauté grandissante et explorez notre dépôt GitHub. Nous stimulons l'innovation en réinventant des secteurs tels que les soins de santé ou les voitures autonomes.
.webp)