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 pour quelles applications cette tâche de vision par ordinateur est idéale.
L’événement hybride annuel d'Ultralytics, YOLO Vision 2024 (YV24), s'est concentré sur la discussion des dernières avancées en matière d'IA et de 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 que Ultralytics YOLOv8, ce qui rend la transition vers le nouveau modèle très simple pour les utilisateurs.
Supposons que tu aies utilisé 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 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 un large éventail d'industries, offrant des solutions pratiques qui ont un impact réel.
Dans cet article, nous allons voir ce qu'est la détection d'objets OBB, où elle peut être appliquée et comment utiliser Ultralytics YOLO11 pour détecter des OBB. 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 de la nouvelle génération d'Ultralytics YOLO11 incluent des tâches telles que la détection d'objets OBB#
La détection d'objets OBB va plus loin que la détection d'objets traditionnelle en détectant des objets à différents angles. Contrairement aux boîtes englobantes normales 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 satellitaires où les objets ne sont pas toujours droits. Dans des secteurs tels que 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 entre les boîtes englobantes normales 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 se décline 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 variés de vitesse, de précision et de puissance de calcul. Les utilisateurs peuvent choisir le modèle qui offre le juste équilibre entre vitesse et précision pour leur application.
Cas d'utilisation d'Ultralytics YOLO11 qui apportent un nouvel angle à la détection#
Les capacités de détection d'objets d'Ultralytics 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.
Urbanisme et surveillance des infrastructures avec Ultralytics YOLO11#
Si tu as déjà admiré le design et l'aménagement 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 est l'identification et la gestion de 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 ces composants essentiels rapidement et avec précision.
La détection d'objets par boîte englobante orientée est particulièrement utile ici car elle permet de détecter des objets vus sous différents angles (ce qui est souvent le cas avec l'imagerie aérienne). La précision est primordiale pour suivre les zones industrielles, gérer les impacts environnementaux et garantir le bon entretien des infrastructures. L'OBB rend le processus de détection plus fiable, aidant les planificateurs à prendre des décisions éclairées concernant la croissance, la sécurité et la durabilité de la ville. L'utilisation d'Ultralytics YOLO11 peut aider les planificateurs à surveiller et à gérer l'infrastructure qui permet aux villes de fonctionner sans heurts.
Fig 2. Utilisation d'Ultralytics YOLO11 pour détecter des réservoirs de stockage dans des séquences aériennes.
Inspection de panneaux solaires avec des drones, Ultralytics YOLO11 et l'IA en périphérie#
Alors que les énergies renouvelables et les innovations telles que les fermes solaires gagnent en popularité, les inspections régulières deviennent de plus en plus importantes. Les panneaux solaires doivent être contrôlés pour s'assurer qu'ils fonctionnent efficacement. Au fil du temps, des éléments tels que des fissures, l'accumulation de saleté ou un mauvais alignement peuvent réduire leurs performances. Des inspections de routine permettent de détecter ces problèmes à un stade précoce afin qu'une maintenance puisse être effectuée pour assurer leur bon fonctionnement.
Par exemple, les panneaux solaires peuvent être inspectés pour détecter des dommages à l'aide de drones intégrés avec l'IA en périphérie et d'Ultralytics 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, la détection OBB de YOLO11 peut aider les drones à identifier avec précision les panneaux solaires.
Ultralytics YOLO11 peut fournir des informations pour la gestion de flotte#
Les ports et havres gèrent des centaines de navires chaque semaine, et la gestion d'une si grande flotte peut s'avérer complexe. Une difficulté supplémentaire survient lors de l'analyse de navires sur des images aériennes ; 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 les navires sous différents angles avec plus de précision que les boîtes rectangulaires standard. En utilisant Ultralytics YOLO11 avec l'OBB, les compagnies maritimes peuvent identifier plus facilement l'emplacement et l'état de leur flotte, en suivant des détails importants tels que les mouvements de 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 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 d'IA : Détection de boîtes englobantes orientées#
Si tu es un développeur d'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 paquet Python Ultralytics est un excellent choix. Si tu préfères une solution simple d'utilisation, sans code et dotée de capacités d'entraînement dans le cloud, Ultralytics HUB est une plateforme interne conçue précisément pour cela. Pour plus de détails, tu peux consulter notre guide sur l'entraînement et le déploiement d'Ultralytics YOLO11 à l'aide d'Ultralytics HUB.
Maintenant que nous avons vu des exemples d'application de la prise en charge OBB de YOLO11, explorons le paquet Python Ultralytics et voyons comment tu peux exécuter des inférences et entraîner des modèles personnalisés avec celui-ci.
Exécution d'inférences à l'aide d'Ultralytics YOLO11#
Tout d'abord, pour utiliser YOLO11 avec Python, tu dois installer le paquet Ultralytics. Selon tes préférences, tu peux choisir de l'installer à l'aide de pip, conda ou Docker. Pour des instructions étape par étape, tu peux te référer à notre Guide d'installation d'Ultralytics. Si tu rencontres des difficultés lors de l'installation, notre Guide des problèmes courants propose des conseils de dépannage utiles.
Une fois que tu as installé le paquet Ultralytics, l'utilisation de 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 détecton d'objets avec l'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 invisibles.
L'exemple ci-dessous t'explique comment charger un modèle et l'utiliser pour prédire des boîtes englobantes orientées sur une image. Pour des exemples plus détaillés et des conseils d'utilisation avancés, n'oublie pas de consulter la documentation officielle d'Ultralytics pour connaître les meilleures pratiques et obtenir des instructions supplémentaires.
Fig 4. Extrait de code présentant l'exécution d'inférences à l'aide d'Ultralytics YOLO11.
Entraînement d'un modèle Ultralytics YOLO11 personnalisé#
Entraîner un modèle Ultralytics YOLO11 signifie que tu peux affiner ses performances sur des jeux de données et des tâches spécifiques, tels que 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 abordons les étapes pour entraîner un modèle Ultralytics YOLO11 pour la détection OBB.
Tout d'abord, le modèle est initialisé à l'aide de poids spécifiques à YOLO11 OBB pré-entraînés (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 des images d'entraînement et le matériel sur lequel exécuter l'entraînement (par exemple, CPU ou GPU). Après l'entraînement, les performances du modèle sont validées pour vérifier des métriques telles que la précision et la perte.
En utilisant le modèle entraîné, tu peux exécuter des inférences sur de nouvelles images pour détecter des objets avec l'OBB et les visualiser. De plus, le modèle entraîné peut être converti vers des formats tels que ONNX pour le déploiement en utilisant la fonctionnalité d'exportation.
Fig 5. Un exemple d'entraînement d'Ultralytics YOLO11 pour la détection d'objets OBB.
La voie à suivre pour les avancées de l'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 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 est plus largement adoptée et intégrée dans notre vie quotidienne, des modèles comme Ultralytics YOLO11 façonneront l'avenir des solutions d'IA.
Pour en savoir plus sur le potentiel de l'IA de vision, rejoins notre communauté en pleine croissance et explore notre dépôt GitHub. Nous stimulons l'innovation en réinventant des secteurs allant de la santé aux voitures autonomes.
