Comment utiliser Ultralytics YOLO11 pour la détection d’objets OBB
Comprends comment Ultralytics YOLO11 peut améliorer la détection d’objets grâce aux boîtes englobantes orientées (OBB) et découvre les applications auxquelles cette tâche de vision par ordinateur convient particulièrement.
L’événement hybride annuel d’Ultralytics, YOLO Vision 2024 (YV24), était consacré aux dernières avancées en IA et vision par ordinateur. C’était l’occasion idéale de présenter notre tout nouveau modèle, Ultralytics YOLO11. Le modèle prend en charge les mêmes tâches de vision par ordinateur qu’Ultralytics YOLOv8, ce qui permet aux utilisateurs de passer facilement au nouveau modèle.
Supposons que tu utilisais YOLOv8 pour la détection d’objets avec des boîtes englobantes orientées (OBB) afin de détecter des objets sous différents angles. Tu peux maintenant passer à YOLO11 avec seulement quelques modifications mineures de ton code et profiter des améliorations de YOLO11, notamment une précision et une efficacité accrues ainsi qu’une vitesse de traitement supérieure. Si tu n’as pas encore utilisé de modèles comme YOLO11, la détection OBB est un excellent exemple de la manière dont YOLO11 peut être appliqué dans de nombreux secteurs, en offrant des solutions pratiques qui ont un impact concret.
Dans cet article, nous verrons ce qu’est la détection d’objets avec des boîtes englobantes orientées, dans quels contextes elle peut être utilisée et comment utiliser Ultralytics YOLO11 pour détecter des objets avec des OBB. Nous verrons également comment les nouvelles fonctionnalités de YOLO11 peuvent améliorer ces processus, ainsi que comment exécuter des inférences et entraîner des modèles personnalisés afin de tirer pleinement parti de ses capacités de détection OBB.
Les fonctionnalités de nouvelle génération d’Ultralytics YOLO11 incluent des tâches telles que la détection d’objets avec des boîtes englobantes orientées#
La détection d’objets avec des OBB va plus loin que 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 OBB pivotent pour s’adapter à l’orientation de l’objet. La détection d’objets avec des OBB peut être utilisée pour analyser des images aériennes ou satellitaires où les objets ne sont pas toujours droits. Dans des secteurs comme l’urbanisme, l’énergie et les transports, la capacité à détecter précisément des objets inclinés tels que des bâtiments, des véhicules ou des infrastructures peut servir de base à des applications de vision par ordinateur aux bénéfices concrets.
Fig. 1. Comparaison entre les boîtes englobantes classiques et les 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 présente une taille différente, ainsi que des niveaux variables de vitesse, de précision et de puissance de calcul. Les utilisateurs peuvent choisir le modèle offrant le meilleur équilibre entre vitesse et précision pour leur application.
Cas d’utilisation d’Ultralytics YOLO11 qui apportent une nouvelle perspective à la détection#
Les capacités de détection d’objets d’Ultralytics YOLO11, et notamment sa prise en charge des boîtes englobantes orientées, apportent une précision accrue à de nombreux secteurs. Examinons maintenant quelques exemples de la manière dont YOLO11 et la détection OBB peuvent être utilisés dans des situations réelles pour 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’agencement d’une ville, c’est grâce au travail minutieux de l’urbanisme et de la surveillance des infrastructures. L’un des nombreux aspects de la surveillance des infrastructures consiste à identifier et à gérer des structures importantes telles que 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 composants essentiels.
La détection d’objets avec des boîtes englobantes orientées est particulièrement utile ici, car elle permet de détecter des objets vus sous différents angles, ce qui est souvent le cas avec les images aériennes. La précision est essentielle pour suivre les zones industrielles, gérer les impacts environnementaux et garantir le bon entretien des infrastructures. Les OBB rendent le processus de détection plus fiable et aident les urbanistes à prendre des décisions éclairées concernant la croissance, la sécurité et la durabilité de la ville. L’utilisation d’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 des panneaux solaires avec des drones, Ultralytics YOLO11 et l’IA en périphérie#
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. Les panneaux solaires doivent être contrôlés pour vérifier qu’ils fonctionnent efficacement. Au fil du temps, des éléments comme les fissures, l’accumulation de saleté ou un mauvais alignement peuvent réduire leurs performances. Les inspections régulières permettent de détecter rapidement ces problèmes afin d’effectuer la maintenance nécessaire et de maintenir leur bon fonctionnement.
Par exemple, les panneaux solaires peuvent être inspectés à la recherche de dommages à l’aide de drones intégrant de l’IA en périphérie et d’Ultralytics YOLO11. L’analyse des images en périphérie améliore la précision et l’efficacité du processus d’inspection. En raison des mouvements et de la perspective du drone, les images de surveillance peuvent souvent capturer les panneaux solaires sous différents angles. Dans ces cas, la détection OBB de YOLO11 peut aider les drones à identifier précisément les panneaux solaires.
Ultralytics YOLO11 peut fournir des informations utiles pour la gestion des flottes#
Les ports et les havres accueillent des centaines de navires chaque semaine, et la gestion d’une flotte aussi importante peut être difficile. La situation se complique encore lorsqu’il faut analyser des navires dans des images aériennes, car ils apparaissent souvent sous différents angles. C’est là que la prise en charge de la détection OBB par Ultralytics YOLO11 devient particulièrement utile.
La détection OBB permet au modèle de détecter les navires sous différents angles avec plus de précision qu’avec des boîtes rectangulaires classiques. En utilisant Ultralytics YOLO11 avec les OBB, les compagnies maritimes peuvent identifier plus facilement la position et l’état de leur flotte, tout en surveillant des informations importantes comme les mouvements de la flotte et la logistique de la chaîne d’approvisionnement. Ces solutions fondées sur la vision 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 havres sous un angle donné.
Ultralytics YOLO11 pour les développeurs en IA : détecter des boîtes englobantes orientées#
Si tu es développeur en IA et que tu souhaites utiliser YOLO11 pour la détection OBB, deux options simples s’offrent à toi. 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 précisément pour cela. Pour plus de détails, consulte notre guide sur l’entraînement et le déploiement d’Ultralytics YOLO11 avec Ultralytics HUB.
Maintenant que nous avons vu des exemples d’utilisation de la prise en charge des OBB par YOLO11, explorons 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, si tu veux utiliser YOLO11 avec Python, tu dois installer le package Ultralytics. Selon tes préférences, tu peux l’installer avec pip, conda ou Docker. Pour obtenir des instructions détaillées, consulte notre guide d’installation 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, travailler avec YOLO11 est extrêmement simple. Exécuter une inférence désigne le processus consistant à utiliser un modèle entraîné pour effectuer des prédictions sur de nouvelles images, par exemple détecter des objets avec des OBB en temps réel. Cela diffère de l’entraînement du 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 veux appliquer le modèle à des données inédites.
L’exemple ci-dessous t’explique comment charger un modèle et l’utiliser pour prédire des boîtes englobantes orientées sur une image. Pour consulter des exemples plus détaillés et des conseils d’utilisation avancés, n’hésite pas à consulter la documentation officielle d’Ultralytics afin de découvrir les bonnes pratiques et d’obtenir des instructions supplémentaires.
Fig. 4. Extrait de code montrant l’exécution d’inférences avec Ultralytics YOLO11.
Entraîner un modèle Ultralytics YOLO11 personnalisé#
Entraîner un modèle Ultralytics YOLO11 te permet d’ajuster finement ses performances sur des jeux de données et des tâches spécifiques, comme la détection d’objets avec des boîtes englobantes orientées. Alors que des modèles préentraînés comme YOLO11 peuvent être utilisés pour la détection d’objets générale, entraîner un modèle personnalisé est essentiel lorsque tu dois lui apprendre à détecter des objets uniques ou à optimiser ses performances sur un jeu de données spécifique.
Dans l’extrait de code ci-dessous, nous présentons les étapes pour entraîner un modèle Ultralytics YOLO11 destiné à la détection OBB.
Tout d’abord, le modèle est initialisé avec des poids YOLO11 préentraînés spécifiques aux OBB (yolo11n-obb.pt). Ensuite, une fonction d’entraînement sert 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 telles que la précision et la perte.
Avec le modèle entraîné, tu peux exécuter des inférences sur de nouvelles images pour détecter des objets avec des OBB et les visualiser. Le modèle entraîné peut également être converti dans des formats comme ONNX pour le déploiement à l’aide de la fonctionnalité d’exportation.
Fig. 5. Exemple d’entraînement d’Ultralytics YOLO11 pour la détection d’objets avec des boîtes englobantes orientées.
La voie à suivre pour les avancées en IA avec Ultralytics YOLO11#
Ultralytics YOLO11 fait passer la détection d’objets au niveau supérieur grâce à sa prise en charge des boîtes englobantes orientées. En détectant les objets sous différents angles, YOLO11 peut être utilisé dans de nombreuses applications et divers secteurs. Il convient notamment parfaitement à des domaines comme l’urbanisme, l’énergie et le transport maritime, où la précision est essentielle pour des tâches telles que l’inspection des panneaux solaires ou la surveillance des flottes. Grâce à des performances plus rapides et à une précision améliorée, YOLO11 peut aider les développeurs en IA à résoudre des problèmes concrets.
À mesure que l’IA est plus largement 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 appliquée à la vision, rejoins notre communauté grandissante et explore notre dépôt GitHub. Nous stimulons l’innovation en réinventant des secteurs allant des soins de santé aux voitures autonomes.
