8 octobre 2024
Comprendre comment Ultralytics YOLO11 peut améliorer la détection d'objets à l'aide de 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), était axé sur les 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 qu'Ultralytics YOLOv8, ce qui facilite la transition vers le nouveau modèle pour les utilisateurs.
Supposons que vous utilisiez YOLOv8 pour la détection d'objets avec des boîtes englobantes orientées (OBB) afin de détecter des objets sous différents angles. Vous pouvez désormais passer à YOLO11 avec quelques modifications mineures de votre code et bénéficier des améliorations de YOLO11, allant d'une précision et d'une efficacité accrues à une vitesse de traitement plus rapide. Si vous n'avez pas encore utilisé de modèles comme YOLO11, la détection OBB est un excellent exemple de la manière dont YOLO11 peut être appliqué dans divers secteurs, offrant des solutions pratiques qui ont un impact réel.
Dans cet article, nous allons examiner 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 entraîner des modèles personnalisés pour tirer le meilleur parti de ses capacités de détection OBB.
La détection d'objets OBB fait passer la détection d'objets traditionnelle à un niveau supérieur 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 satellitaires où les objets ne sont pas toujours droits. Dans des secteurs tels que l'urbanisme, l'énergie et le transport, la capacité de 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 avec des avantages tangibles.
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 les avions, les navires et les réservoirs de stockage sous différents angles. YOLO11 est disponible en plusieurs variantes de modèle 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 juste équilibre entre vitesse et précision pour leur application.
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 façon 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.
Si vous avez déjà admiré la conception et l'aménagement d'une ville, c'est grâce au travail détaillé de la planification urbaine et de la surveillance des infrastructures. L'un des nombreux aspects de la surveillance des infrastructures est l'identification et la gestion des structures importantes telles que les réservoirs de stockage, les pipelines et les sites industriels. YOLO11 peut aider les urbanistes à analyser les images aériennes pour détecter rapidement et précisément ces composants critiques.
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 essentielle ici pour assurer le suivi des zones industrielles, gérer les impacts environnementaux et s'assurer que les infrastructures sont correctement entretenues. L'OBB rend le processus de détection plus fiable, aidant ainsi les planificateurs à prendre des décisions éclairées concernant la croissance, la sécurité et la durabilité de la ville. L'utilisation de YOLO11 peut aider les planificateurs à surveiller et à gérer l'infrastructure qui assure le bon fonctionnement des villes.
À mesure que l'énergie renouvelable et les innovations comme les parcs solaires deviennent plus populaires, les inspections régulières deviennent plus importantes. Les panneaux solaires doivent être vérifiés pour s'assurer qu'ils fonctionnent efficacement. Avec le temps, des éléments comme les fissures, l'accumulation de saleté ou le mauvais alignement peuvent réduire leurs performances. Les inspections de routine aident à détecter ces problèmes tôt, afin que l'entretien puisse être effectué 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 à YOLO11. L'analyse des images en 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.
Les ports accueillent des centaines de navires chaque semaine, et la gestion d'une flotte aussi importante peut s'avérer complexe. L'analyse des navires dans les images aériennes ajoute une difficulté supplémentaire, car les navires apparaissent souvent sous différents angles. C'est là que la prise en charge de la détection OBB par 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 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 aident à optimiser les itinéraires, à réduire les retards et à améliorer la gestion globale de la flotte sur les routes maritimes.
Si vous êtes un développeur d'IA cherchant à utiliser YOLO11 pour la détection OBB, il existe deux options simples pour commencer. Si vous êtes à l'aise avec le code, le package Python Ultralytics est un excellent choix. Si vous préférez une solution conviviale sans code avec des capacités d'entraînement dans le cloud, Ultralytics HUB est une plateforme interne conçue justement pour cela. Pour plus de détails, vous pouvez consulter notre guide sur l'entraînement et le déploiement d'Ultralytics YOLO11 en utilisant Ultralytics HUB.
Maintenant que nous avons vu des exemples d'endroits où la prise en charge OBB de YOLO11 peut être appliquée, explorons le package Python Ultralytics et voyons comment vous pouvez exécuter des inférences et entraîner des modèles personnalisés en l'utilisant.
Tout d'abord, pour utiliser YOLO11 avec Python, vous devrez installer le paquet Ultralytics. Selon vos préférences, vous pouvez choisir de l'installer en utilisant pip, conda ou Docker. Pour des instructions étape par étape, vous pouvez consulter notre Guide d'installation d'Ultralytics. Si vous rencontrez des difficultés lors de l'installation, notre Guide des problèmes courants offre des conseils de dépannage utiles.
Une fois que vous avez 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 du modèle, qui consiste à enseigner au modèle à reconnaître de nouveaux objets ou à améliorer ses performances sur des tâches spécifiques. L'inférence est utilisée lorsque vous souhaitez appliquer le modèle à des données non vues.
L'exemple ci-dessous vous 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, consultez la documentation officielle d'Ultralytics pour connaître les meilleures pratiques et obtenir des instructions supplémentaires.
Entraîner un modèle YOLO11 signifie que vous pouvez affiner ses performances sur des ensembles de données et des tâches spécifiques, telles que la détection d'objets par boîte englobante orientée. Bien que les modèles pré-entraînés comme YOLO11 puissent être utilisés pour la détection d'objets générale, l'entraînement d'un modèle personnalisé est essentiel lorsque vous avez besoin que le modèle détecte des objets uniques ou optimise les performances sur un ensemble de données spécifique.
Dans l'extrait de code ci-dessous, nous abordons les étapes de l'entraînement d'un modèle YOLO11 pour la détection OBB.
Premièrement, le modèle est initialisé à l'aide de poids YOLO11 pré-entraînés spécifiques à 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 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, vous pouvez exécuter des inférences sur de nouvelles images pour détecter des objets avec OBB et les visualiser. De plus, le modèle entraîné peut être converti dans des formats tels que ONNX pour le déploiement en utilisant la fonction d'exportation.
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 différents secteurs. Par exemple, il est parfaitement adapté aux secteurs tels que 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 des performances plus rapides et à une précision améliorée, YOLO11 peut aider les développeurs d'IA à résoudre des problèmes du monde réel.
À mesure que l'IA se généralise et s'intègre dans notre vie quotidienne, les modèles tels que YOLO11 façonneront l'avenir des solutions d'IA.
Pour en savoir plus sur le potentiel de la Vision IA, rejoignez notre communauté en pleine croissance et explorez notre dépôt GitHub. Nous stimulons l'innovation en réinventant des secteurs tels que la santé et les voitures autonomes.
.webp)