Comment utiliser Ultralytics YOLO11 pour la détection d'objets

La vision par ordinateur est un domaine de l'intelligence artificielle (IA) qui aide les machines à interpréter et à comprendre des informations visuelles pour permettre des tâches essentielles comme la détection d'objets. Contrairement à la classification d'images, la détection d'objets ne se contente pas d'identifier les objets présents dans une image, elle en précise également l'emplacement exact. Cela en fait un outil crucial pour les applications d'IA en vision comme les voitures autonomes, les systèmes de sécurité en temps réel et l'automatisation des entrepôts.

Au fil du temps, la technologie de détection d'objets est devenue plus avancée et plus facile à utiliser. Une étape majeure a été franchie lors de l'événement hybride annuel d'Ultralytics, YOLO Vision 2024 (YV24), avec le lancement du modèle Ultralytics YOLO11. YOLO11 améliore la précision et les performances tout en prenant en charge les mêmes tâches que YOLOv8, ce qui facilite la transition pour les utilisateurs des modèles précédents.

Fig 1. Un exemple d'utilisation du modèle Ultralytics YOLO11 pour la détection d'objets.

Dans cet article, nous allons détailler ce qu'est la détection d'objets, en quoi elle diffère des autres tâches de vision par ordinateur, et explorer ses applications dans le monde réel. Nous t'expliquerons également comment utiliser le modèle YOLO11 avec le package Python Ultralytics et la plateforme Ultralytics HUB. Commençons !

Link to this sectionQu'est-ce que la détection d'objets ?#

La détection d'objets est une tâche fondamentale en vision par ordinateur qui va au-delà de la simple identification d'objets dans une image. Contrairement à la classification d'images, qui détermine seulement si un objet spécifique est présent, la détection d'objets reconnaît plusieurs objets et identifie leurs positions exactes à l'aide de boîtes englobantes.

Par exemple, elle peut identifier et localiser des visages dans une photo de groupe, des voitures dans une rue animée ou des produits sur l'étagère d'un magasin. Combiner la reconnaissance d'objets et la localisation la rend particulièrement utile pour des applications comme la surveillance, le comptage de foule et la gestion automatisée des stocks.

Fig 2. Utilisation de YOLO11 pour détecter des visages.

Ce qui distingue la détection d'objets d'autres tâches comme la segmentation sémantique ou l'instance segmentation, c'est sa concentration et son efficacité.

La segmentation sémantique étiquette chaque pixel d'une image, mais ne différencie pas les objets individuels d'un même type (par exemple, tous les visages dans une photo seraient regroupés sous "visage"). L'instance segmentation va plus loin en séparant chaque objet et en soulignant sa forme exacte, même pour des objets d'une même classe.

La détection d'objets, quant à elle, offre une approche plus rationalisée en identifiant et en classant les objets tout en marquant leurs positions. Cela la rend idéale pour des tâches en temps réel comme la détection de visages sur des images de vidéosurveillance ou l'identification d'obstacles pour les véhicules autonomes.

Link to this sectionApplications de YOLO11 et de la détection d'objets#

Les fonctionnalités avancées de détection d'objets de YOLO11 le rendent utile dans de nombreuses industries. Jetons un coup d'œil à quelques exemples.

Link to this sectionUtiliser YOLO11 pour l'analyse de détail#

YOLO11 et la détection d'objets redéfinissent l'analyse de détail en rendant la gestion des stocks et le suivi des rayons plus efficaces et précis. La capacité du modèle à détecter rapidement et de manière fiable les objets aide les détaillants à suivre les niveaux de stock, à organiser les rayons et à réduire les erreurs dans les inventaires.

Par exemple, YOLO11 peut détecter des articles spécifiques comme des lunettes de soleil sur l'étagère d'un magasin. Mais pourquoi un détaillant voudrait-il surveiller une étagère ? Maintenir les rayons approvisionnés et organisés est vital pour garantir que les clients trouvent ce dont ils ont besoin, ce qui a un impact direct sur les ventes. En surveillant les rayons en temps réel, les détaillants peuvent rapidement repérer quand les articles sont en faible quantité, mal placés ou surchargés, ce qui les aide à maintenir une présentation organisée et attrayante qui améliore l'expérience d'achat.

Fig 3. Un exemple d'utilisation de YOLO11 pour détecter des produits sur des étagères.

Link to this sectionYOLO11 dans les applications de ville intelligente#

Une ville animée dépend d'un flux de circulation fluide et de rues sûres pour fonctionner efficacement, et YOLO11 peut aider à rendre cela possible. En fait, de nombreuses applications de ville intelligente peuvent être intégrées à YOLO11.

Un cas intéressant implique l'utilisation de la détection d'objets pour identifier les plaques d'immatriculation sur les véhicules en mouvement. Ce faisant, YOLO11 peut prendre en charge une collecte de péage plus rapide, une meilleure gestion du trafic et une application plus rapide des règlements.

Fig 4. Utilisation de la détection d'objets et de YOLO11 pour détecter des plaques d'immatriculation.

Les informations fournies par les systèmes de vision par IA surveillant les routes peuvent alerter les autorités des violations de la circulation ou des embouteillages avant qu'ils ne se transforment en problèmes plus importants. YOLO11 peut également détecter les piétons et les cyclistes, rendant les rues plus sûres et plus efficaces pour tout le monde.

En fait, la capacité de YOLO11 à traiter des données visuelles en fait un outil puissant pour améliorer l'infrastructure urbaine. Par exemple, il peut aider à optimiser le minutage des feux de signalisation en analysant les mouvements des véhicules et des piétons. Il peut également améliorer la sécurité dans les zones scolaires en détectant les enfants et en alertant les conducteurs de ralentir. Avec YOLO11, les villes peuvent prendre des mesures proactives pour relever les défis et créer un environnement plus efficace pour tous.

Link to this sectionDétection vidéo en temps réel avec YOLO11 : augmenter l'accessibilité#

La détection d'objets en temps réel fait référence à la capacité d'un système à identifier et classer les objets dans un flux vidéo en direct au fur et à mesure qu'ils apparaissent. YOLO11 est conçu pour des performances en temps réel supérieures et excelle dans le support de cette capacité. Ses applications vont au-delà de la simple rationalisation des processus - il peut également aider à créer un monde plus inclusif et accessible.

Par exemple, YOLO11 peut aider les personnes malvoyantes en identifiant des objets en temps réel. Sur la base des détections, des descriptions audio peuvent être fournies, ce qui aide les utilisateurs à naviguer dans leur environnement avec plus d'indépendance.

Imagine une personne malvoyante faisant ses courses. Choisir les bons articles peut être difficile, mais YOLO11 peut t'aider. Au fur et à mesure qu'elle place des articles dans son panier, un système intégré à YOLO11 pourrait être utilisé pour identifier chaque article - comme des bananes, des avocats ou une brique de lait - et fournir des descriptions audio en temps réel. Cela leur permet de confirmer leurs choix et de s'assurer qu'ils ont tout ce dont ils ont besoin. En reconnaissant les articles du quotidien, YOLO11 peut simplifier les courses.

Fig 5. La détection d'objets peut aider à rendre le monde plus accessible aux personnes malvoyantes.

Link to this sectionGuide étape par étape pour la détection d'objets avec YOLO11#

Maintenant que nous avons couvert les bases de la détection d'objets et ses diverses applications, plongeons dans la façon dont tu peux commencer avec le modèle Ultralytics YOLO11 pour des tâches comme la détection d'objets.

Il existe deux façons simples d'utiliser YOLO11 : via le package Python Ultralytics ou via l'Ultralytics HUB. Explorons les deux méthodes, en commençant par le package Python.

Link to this sectionExécuter des inférences avec YOLO11#

L'inférence survient lorsqu'un modèle d'IA analyse de nouvelles données inconnues pour faire des prédictions, classer des informations ou fournir des idées basées sur ce qu'il a appris pendant l'entraînement. En ce qui concerne la détection d'objets, cela signifie identifier et localiser des objets spécifiques dans une image ou une vidéo, dessiner des boîtes englobantes autour d'eux et les étiqueter en fonction de l'entraînement du modèle.

Pour faire une inférence avec le modèle de détection d'objets YOLO11, tu devras d'abord installer le package Python Ultralytics via pip, conda ou Docker. Si tu rencontres des problèmes d'installation, consulte le guide de dépannage pour obtenir des astuces et des conseils pour t'aider à les résoudre. Une fois installé, tu peux utiliser le code suivant pour charger le modèle de détection d'objets YOLO11 et faire des prédictions sur une image.

Fig 6. Exécution d'une inférence sur une image en utilisant YOLO11n.

Link to this sectionEntraîner un modèle YOLO11 personnalisé#

YOLO11 prend également en charge l'entraînement personnalisé pour mieux s'adapter à tes cas d'utilisation spécifiques. En affinant le modèle, tu peux le personnaliser pour détecter des objets pertinents pour ton projet. Par exemple, lors de l'utilisation de la vision par ordinateur dans le secteur de la santé, un modèle YOLO11 entraîné sur mesure pourrait être utilisé pour détecter des anomalies spécifiques dans des images médicales, comme des tumeurs sur des IRM ou des fractures sur des radiographies, aidant les médecins à établir des diagnostics plus rapides et plus précis.

L'extrait de code ci-dessous montre comment charger et entraîner un modèle YOLO11 pour la détection d'objets. Tu peux commencer à partir d'un fichier de configuration YAML ou d'un modèle pré-entraîné, transférer des poids et t'entraîner sur des jeux de données tels que COCO pour des capacités de détection d'objets plus raffinées.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Après avoir entraîné un modèle, tu peux également exporter le modèle entraîné dans différents formats pour un déploiement dans divers environnements.

Link to this sectionDétection d'objets YOLO11 sur l'Ultralytics HUB#

Pour ceux qui recherchent une alternative sans code, l'Ultralytics HUB fournit une plateforme d'IA en vision facile à utiliser pour l'entraînement et le déploiement de modèles YOLO, y compris YOLO11.

Pour exécuter la détection d'objets sur des images, crée simplement un compte, navigue vers la section « Modèles » et sélectionne la variante du modèle de détection d'objets YOLO11. Téléverse ton image, et la plateforme affichera les objets détectés dans une section de prévisualisation.

Fig 7. Exécution d'inférences sur l'Ultralytics HUB.

En combinant la flexibilité du package Python avec la simplicité du HUB, YOLO11 permet aux développeurs comme aux entreprises d'exploiter facilement la puissance de la technologie avancée de détection d'objets.

Link to this sectionPoints clés#

YOLO11 établit une nouvelle norme en matière de détection d'objets, combinant une haute précision et une grande polyvalence pour répondre aux besoins de diverses industries. De l'amélioration de l'analyse de détail à la gestion de l'infrastructure des villes intelligentes, YOLO11 est conçu pour des performances fiables en temps réel dans d'innombrables applications.

Avec des options d'entraînement personnalisé et une interface facile à utiliser via l'Ultralytics HUB, intégrer YOLO11 dans tes flux de travail n'a jamais été aussi simple. Que tu sois un développeur explorant la vision par ordinateur ou une entreprise cherchant à innover grâce à l'IA, YOLO11 t'offre les outils dont tu as besoin pour réussir.

Pour en savoir plus, consulte notre dépôt GitHub et échange avec notre communauté. Explore les applications de l'IA dans les voitures autonomes et la vision par ordinateur pour l'agriculture sur nos pages de solutions. 🚀