Comment utiliser Ultralytics YOLO11 pour la détection d'objets OBB

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 tout dernier modèle, Ultralytics YOLO11. Ce modèle prend en charge les mêmes tâches de vision par ordinateur qu'Ultralytics YOLOv8, rendant la transition vers le nouveau modèle très simple pour toi.

Supposons que tu utilisais YOLOv8 pour la détection d'objets par boîtes englobantes orientées (OBB) afin de détecter des objets sous différents angles. Tu peux désormais passer à YOLO11 avec quelques modifications mineures de ton code et profiter des améliorations de YOLO11, allant d'une précision et d'une efficacité accrues à une vitesse de traitement plus rapide. Si tu n'as pas encore utilisé de modèles comme YOLO11, la détection OBB est un excellent exemple de la façon dont YOLO11 peut être appliqué dans diverses industries, en 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 des OBB. Nous explorerons également comment les nouvelles fonctionnalités de YOLO11 peuvent améliorer ces processus et comment effectuer des inférences et entraîner des modèles personnalisés pour tirer le meilleur parti de ses capacités de détection OBB.

Link to this sectionLes fonctionnalités de nouvelle génération de YOLO11 incluent des tâches comme la détection d'objets OBB#

La détection d'objets OBB pousse la détection d'objets traditionnelle un peu plus loin en détectant les objets sous différents angles. Contrairement aux boîtes englobantes 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 OBB peut être utilisée pour analyser des images aériennes ou satellites où les objets ne sont pas toujours droits. Dans des secteurs comme l'urbanisme, l'énergie et le transport, la capacité à détecter avec précision des objets inclinés tels que des bâtiments, des véhicules ou des infrastructures peut constituer la base d'applications de vision par ordinateur aux avantages tangibles.

Fig 1. Comparaison des boîtes englobantes normales 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 tels que des avions, des navires et des réservoirs de stockage sous différentes perspectives. YOLO11 est disponible 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 offre une taille différente, avec des niveaux variables de vitesse, de précision et de puissance de calcul. Tu peux choisir le modèle qui offre le bon équilibre entre vitesse et précision pour ton application.

Link to this sectionCas d'utilisation de YOLO11 qui introduisent un nouvel angle de détection#

Les capacités de détection d'objets de YOLO11, en particulier sa prise en charge des boîtes englobantes orientées, apportent une plus grande précision à diverses industries. Ensuite, nous examinerons quelques exemples de la manière dont YOLO11 et la détection OBB peuvent être utilisés dans des situations réelles pour rendre les processus plus efficaces, précis et faciles à gérer dans différents domaines.

Link to this sectionUrbanisme et surveillance des infrastructures avec YOLO11#

Si tu as déjà admiré la conception et l'aménagement d'une ville, c'est grâce au travail détaillé de l'urbanisme et de la surveillance des infrastructures. L'un des nombreux aspects de la surveillance des infrastructures est l'identification et la gestion de structures importantes comme les réservoirs de stockage, les pipelines et les sites industriels. YOLO11 peut aider les urbanistes à analyser les images aériennes pour détecter ces composants critiques rapidement et avec précision.

La détection d'objets par boîte englobante orientée est particulièrement utile ici car elle permet la détection d'objets vus sous différents angles (souvent le cas avec l'imagerie aérienne). La précision est essentielle ici pour suivre les zones industrielles, gérer les impacts environnementaux et garantir que les infrastructures sont correctement entretenues. L'OBB rend le processus de détection plus fiable, aidant les planificateurs à prendre des décisions éclairées sur la croissance, la sécurité et la durabilité de la ville. Utiliser YOLO11 peut aider les planificateurs à surveiller et à gérer les infrastructures qui assurent le bon fonctionnement des villes.

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

Link to this sectionInspection de panneaux solaires avec des drones, YOLO11 et l'IA en périphérie#

Alors que les énergies renouvelables et les innovations comme les fermes solaires deviennent plus populaires, les inspections régulières deviennent plus importantes. Les panneaux solaires doivent être vérifiés pour s'assurer qu'ils fonctionnent efficacement. Au fil du temps, des problèmes tels que des fissures, une accumulation de saleté ou un mauvais alignement peuvent réduire leurs performances. Les inspections de routine aident à détecter ces problèmes tôt, afin que la maintenance puisse être effectuée pour assurer leur bon fonctionnement.

Par exemple, les panneaux solaires peuvent être inspectés pour détecter les dommages à l'aide de drones intégrés à l'IA en périphérie et de 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 ces cas-là, la détection OBB de YOLO11 peut aider les drones à identifier précisément les panneaux solaires.

Link to this sectionYOLO11 peut fournir des informations pour la gestion de flotte#

Les ports et les havres traitent des centaines de navires chaque semaine, et la gestion d'une flotte aussi importante peut être un défi. Un élément de difficulté supplémentaire survient lors de l'analyse des navires dans des images aériennes ; les navires apparaissent souvent sous des angles différents. C'est là que la prise en charge de la détection OBB par YOLO11 devient 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 suivant des détails importants comme les mouvements de la flotte et la logistique de la chaîne d'approvisionnement. De telles solutions basées sur la vision aident à optimiser les itinéraires, à réduire les retards et à améliorer la gestion globale de la flotte sur les routes maritimes.

Fig 3. Utilisation de YOLO11 pour détecter des navires et des ports sous un angle.

Link to this sectionYOLO11 pour les développeurs IA : Détection de boîtes englobantes orientées#

Si tu es un développeur IA cherchant à utiliser YOLO11 pour la détection OBB, il existe deux options simples 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, avec des capacités d'entraînement dans le cloud, Ultralytics HUB est une plateforme interne conçue exactement pour cela. Pour plus de détails, tu peux consulter notre guide sur l'entraînement et le déploiement d'Ultralytics YOLO11 en utilisant Ultralytics HUB.

Maintenant que nous avons vu des exemples d'applications où le support OBB de YOLO11 peut être utilisé, explorons le package Python Ultralytics et voyons comment tu peux effectuer des inférences et entraîner des modèles personnalisés avec lui.

Link to this sectionExécuter des inférences avec YOLO11#

Tout d'abord, pour utiliser YOLO11 avec Python, tu devras installer le package Ultralytics. Selon tes préférences, tu peux choisir de l'installer via pip, conda ou Docker. Pour des instructions étape par étape, tu peux te référer à notre Guide d'installation Ultralytics. Si tu rencontres des problèmes lors de l'installation, notre Guide des problèmes courants offre des conseils de dépannage utiles.

Une fois que tu as installé le package Ultralytics, travailler avec YOLO11 est incroyablement simple. 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. C'est différent de l'entraînement de modèle, qui consiste à apprendre au modèle à reconnaître de nouveaux objets ou à améliorer ses performances sur des tâches spécifiques. L'inférence est utilisée lorsque tu souhaites appliquer le modèle à des données inédites.

L'exemple ci-dessous te guide sur la manière de charger un modèle et de l'utiliser pour prédire des boîtes englobantes orientées sur une image. Pour des exemples plus détaillés et des conseils d'utilisation avancés, assure-toi de consulter la documentation officielle Ultralytics pour les meilleures pratiques et des instructions complémentaires.

Fig 4. Un extrait de code présentant l'exécution d'inférences à l'aide de YOLO11.

Link to this sectionEntraîner un modèle YOLO11 personnalisé#

Entraîner un modèle YOLO11 signifie que tu peux affiner ses performances sur des jeux de données et des tâches spécifiques, comme la détection d'objets par boîte englobante orientée. Bien que des modèles pré-entraînés comme YOLO11 puissent être utilisés pour la détection d'objets générale, l'entraînement d'un modèle personnalisé est essentiel lorsque tu as besoin que le modèle détecte des objets uniques ou optimise les performances sur un jeu de données spécifique.

Dans l'extrait de code ci-dessous, nous couvrons les étapes de l'entraînement d'un modèle YOLO11 pour la détection OBB.

Tout d'abord, le modèle est initialisé à l'aide de poids pré-entraînés spécifiques à YOLO11 OBB (yolo11n-obb.pt). Ensuite, une fonction d'entraînement est utilisée pour 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 de l'image d'entraînement et le matériel pour exécuter l'entraînement (par exemple, CPU ou GPU). Après l'entraînement, les performances du modèle sont validées pour vérifier des mesures telles que la précision et la perte.

À l'aide du modèle entraîné, tu peux exécuter des inférences sur de nouvelles images pour détecter des objets avec OBB et les visualiser. De plus, le modèle entraîné peut être converti vers des formats comme ONNX pour le déploiement en utilisant la fonctionnalité d'exportation.

Fig 5. Un exemple d'entraînement de YOLO11 pour la détection d'objets OBB.

Link to this sectionLa voie à suivre pour les avancées de l'IA avec YOLO11#

Ultralytics YOLO11 fait passer la détection d'objets au niveau supérieur grâce à sa prise en charge des boîtes englobantes orientées. En étant capable de détecter des objets sous différents angles, YOLO11 peut être utilisé pour diverses applications dans différentes industries. Par exemple, il est parfaitement adapté aux secteurs comme l'urbanisme, l'énergie et l'expédition, où la précision est cruciale pour des tâches telles que l'inspection des panneaux solaires ou la surveillance de flotte. Avec des performances plus rapides et une précision améliorée, YOLO11 peut aider les développeurs IA à résoudre des défis du monde réel.

À mesure que l'IA devient 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 l'IA visuelle, rejoins notre communauté grandissante et explore notre dépôt GitHub. Nous favorisons l'innovation en réinventant des secteurs allant de la santé aux voitures autonomes.