29 novembre 2024
Découvrez comment le nouveau modèle Ultralytics YOLO11 peut être utilisé pour la détection d'objets afin d'obtenir une plus grande précision dans diverses applications dans un éventail de secteurs.
La vision par ordinateur est un domaine de l'intelligence artificielle (IA) qui aide les machines à interpréter et à comprendre les informations visuelles pour permettre des tâches essentielles comme la détection d'objets. Contrairement à la classification d'images, la détection d'objets identifie non seulement les objets présents dans une image, maisLocalise également leur emplacement exact. Cela en fait un outil essentiel pour les applications de vision IA 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 avancée majeure a été annoncée 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.
Dans cet article, nous allons expliquer ce qu'est la détection d'objets, en quoi elle diffère des autres tâches de vision par ordinateur, et explorer ses applications concrètes. Nous vous expliquerons également comment utiliser le modèle YOLO11 avec le package Ultralytics Python et la plateforme Ultralytics HUB. Commençons !
La détection d'objets est une tâche essentielle en vision par ordinateur qui ne se limite pas à identifier les objets dans une image. Contrairement à la classification d'images, qui détermine uniquement si un objet spécifique est présent, la détection d'objets reconnaît plusieurs objets et localise précisément leur emplacement à l'aide de boîtes englobantes.
Par exemple, il peut identifier et localiser les visages dans une photo de groupe, les voitures dans une rue animée ou les produits sur une étagère de magasin. La combinaison de la reconnaissance d'objets et de la localisation la rend particulièrement utile pour des applications telles que la surveillance, la surveillance des foules et la gestion automatisée des stocks.
Ce qui distingue la détection d'objets des autres tâches comme la sémantique ou la segmentation d'instance, c'est sa concentration et son efficacité.
La segmentation sémantique étiquette chaque pixel d'une image, mais ne différencie pas les objets individuels du même type (par exemple, tous les visages d'une photo seraient regroupés sous le nom de "visage"). La segmentation d'instance va plus loin en séparant chaque objet et en décrivant sa forme exacte, même pour les objets de la même classe.
La détection d'objets, cependant, offre une approche plus rationalisée en identifiant et en classifiant les objets tout en marquant leurs positions. Cela la rend idéale pour les tâches en temps réel comme la détection de visages dans des séquences de sécurité ou l'identification d'obstacles pour les véhicules autonomes.
Les fonctionnalités avancées de détection d'objets de YOLO11 le rendent utile dans de nombreux secteurs. Examinons quelques exemples.
YOLO11 et la détection d'objets redéfinissent l'analyse du commerce de détail en rendant la gestion des stocks et la surveillance des rayons plus efficaces et plus précises. 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 une étagère de magasin. Mais pourquoi un détaillant voudrait-il surveiller une étagère ? Il est essentiel de garder les étagères approvisionnées et organisées pour s'assurer que les clients peuvent trouver ce dont ils ont besoin, ce qui a un impact direct sur les ventes. En surveillant les étagères en temps réel, les détaillants peuvent rapidement repérer les articles qui sont en rupture de stock, mal placés ou surchargés, ce qui les aide à maintenir un affichage organisé et attrayant qui améliore l'expérience d'achat.
Une ville animée dépend d'une circulation fluide et de rues sûres pour fonctionner efficacement, et YOLO11 peut aider à rendre cela possible. En fait, de nombreuses applications de villes intelligentes peuvent être intégrées à YOLO11.
Un cas intéressant consiste à utiliser la détection d'objets pour identifier les plaques d'immatriculation sur les véhicules en mouvement. Ce faisant, YOLO11 peut permettre une collecte de péage plus rapide, une meilleure gestion du trafic et une application plus rapide de la réglementation.
Les informations fournies par les systèmes de Vision IA qui surveillent les routes peuvent alerter les autorités en cas d'infractions au code de la route ou d'embouteillages avant qu'ils ne dégénèrent en problèmes plus importants. YOLO11 peut également détecter les piétons et les cyclistes, ce qui rend les rues plus sûres et plus efficaces pour tous.
En fait, la capacité de YOLO11 à traiter les données visuelles en fait un outil puissant pour améliorer l'infrastructure urbaine. Par exemple, il peut aider à optimiser le timing des feux de circulation 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.
La détection d'objets en temps réel fait référence à la capacité d'un système à identifier et à classer les objets dans un flux vidéo en direct au fur et à mesure qu'ils apparaissent. YOLO11 est conçu pour une performance supérieure en temps réel et excelle dans la prise en charge de cette capacité. Ses applications vont au-delà de la simple rationalisation des processus - elle peut également contribuer à créer un monde plus inclusif et accessible.
Par exemple, YOLO11 peut aider les personnes malvoyantes en identifiant les objets en temps réel. Sur la base des détections, des descriptions audio peuvent être fournies, ce qui aide les utilisateurs à se déplacer dans leur environnement avec une plus grande indépendance.
Prenons l'exemple d'une personne malvoyante faisant ses courses. Choisir les bons articles peut être difficile, mais YOLO11 peut l'aider. Lorsqu'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 un carton de lait - et fournir des descriptions audio en temps réel. Cela lui permet de confirmer ses choix et de s'assurer qu'elle a tout ce dont elle a besoin. En reconnaissant les articles de tous les jours, YOLO11 peut simplifier les achats.
Maintenant que nous avons couvert les bases de la détection d'objets et ses diverses applications, voyons comment vous pouvez commencer avec le modèle Ultralytics YOLO11 pour des tâches telles que la détection d'objets.
Il existe deux façons simples d'utiliser YOLO11 : via le package Python Ultralytics ou le HUB Ultralytics. Explorons les deux méthodes, en commençant par le package Python.
L'inférence se produit lorsqu'un modèle d'IA analyse de nouvelles données, jamais vues auparavant, pour faire des prédictions, classer des informations ou fournir des indications 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, tracer des cadres de délimitation autour d'eux et les étiqueter en fonction de l'entraînement du modèle.
Pour effectuer une inférence à l'aide du modèle de détection d'objets YOLO11, vous devez d'abord installer le paquet Python Ultralytics via pip, conda ou Docker. Si vous rencontrez des problèmes d'installation, consultez le guide de dépannage pour obtenir des conseils et des astuces qui vous aideront à les résoudre. Une fois installé, vous pouvez utiliser le code suivant pour charger le modèle de détection d'objets YOLO11 et faire des prédictions sur une image.
YOLO11 prend également en charge l'entraînement personnalisé afin de mieux s'adapter à vos cas d'utilisation spécifiques. En affinant le modèle, vous pouvez l'adapter pour détecter les objets pertinents pour votre 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 les images médicales, telles que des tumeurs dans les IRM ou des fractures dans les radiographies, aidant ainsi 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. Vous pouvez partir d'un fichier de configuration YAML ou d'un modèle pré-entraîné, transférer des poids et vous entraîner sur des ensembles 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, vous pouvez également exporter le modèle entraîné dans différents formats pour le déploiement dans différents environnements.
Pour ceux qui recherchent une alternative sans code, Ultralytics HUB fournit une plateforme de Vision IA facile à utiliser pour l'entraînement et le déploiement de modèles YOLO, y compris YOLO11.
Pour exécuter la détection d'objets sur des images, il suffit de créer un compte, de naviguer vers la section "Modèles" et de sélectionner la variante du modèle de détection d'objets YOLO11. Téléchargez votre image, et la plateforme affichera les objets détectés dans une section d'aperçu.
En combinant la flexibilité du package Python avec la facilité du HUB, YOLO11 permet aux développeurs et aux entreprises d'exploiter facilement la puissance de la technologie avancée de détection d'objets.
YOLO11 établit une nouvelle norme en matière de détection d'objets, combinant une haute précision et une grande polyvalence pour répondre aux besoins de divers secteurs. De l'amélioration de l'analyse de vente au détail à la gestion de l'infrastructure des villes intelligentes, YOLO11 est conçu pour des performances fiables et en temps réel dans d'innombrables applications.
Avec des options de formation personnalisée et une interface facile à utiliser via Ultralytics HUB, l'intégration de YOLO11 dans vos flux de travail n'a jamais été aussi simple. Que vous soyez un développeur explorant la vision par ordinateur ou une entreprise cherchant à innover avec l'IA, YOLO11 offre les outils dont vous avez besoin pour réussir.
Pour en savoir plus, consultez notre dépôt GitHub et échangez avec notre communauté. Explorez les applications de l'IA dans les voitures autonomes et la vision par ordinateur pour l'agriculture sur nos pages de solutions. 🚀
.webp)