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 les informations visuelles afin d’effectuer 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 détermine aussi l’emplacement exact. Elle constitue ainsi un outil essentiel pour les applications d’IA visuelle, 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 des utilisateurs des modèles précédents. (YOLO11 a depuis été remplacé par Ultralytics YOLO26.)

Fig. 1. Exemple d’utilisation du modèle Ultralytics YOLO11 pour la détection d’objets.

Dans cet article, nous expliquerons ce qu’est la détection d’objets, en quoi elle diffère des autres tâches de vision par ordinateur et quelles sont ses applications concrètes. Nous te montrerons également comment utiliser le modèle YOLO11 avec le package Python Ultralytics et Ultralytics HUB (désormais Ultralytics Platform). C’est parti !

Qu’est-ce que la détection d’objets ?#

La détection d’objets est une tâche fondamentale de la vision par ordinateur qui va au-delà de la simple identification des objets dans une image. Contrairement à la classification d’images, qui détermine uniquement si un objet donné est présent, la détection d’objets reconnaît plusieurs objets et en précise l’emplacement exact à l’aide de boîtes englobantes.

Par exemple, il peut identifier et localiser des visages sur une photo de groupe, des voitures dans une rue animée ou des produits sur les rayons d’un magasin. En combinant la reconnaissance et la localisation des objets, cette technologie est particulièrement utile pour la surveillance, le suivi des foules et la gestion automatisée des stocks.

Fig. 2. Détection de visages avec Ultralytics YOLO11.

Ce qui distingue la détection d’objets d’autres tâches comme la segmentation sémantique ou la segmentation d’instances, c’est son approche et son efficacité.

La segmentation sémantique attribue une étiquette à chaque pixel d’une image, mais ne différencie pas les objets individuels d’un même type (par exemple, tous les visages d’une photo seraient regroupés sous l’étiquette « visage »). La segmentation d’instances va plus loin : elle sépare chaque objet et en délimite la forme exacte, même pour les objets d’une même classe.

La détection d’objets adopte toutefois une approche plus directe : elle identifie et classe les objets tout en indiquant leur position. Elle est donc idéale pour des tâches en temps réel, comme la détection de visages dans des images de vidéosurveillance ou l’identification d’obstacles pour les véhicules autonomes.

Applications d’Ultralytics YOLO11 et de la détection d’objets#

Les fonctionnalités avancées de détection d’objets d’Ultralytics YOLO11 sont utiles dans de nombreux secteurs. Voyons quelques exemples.

Utilisation d’Ultralytics YOLO11 pour l’analyse du commerce de détail#

Ultralytics YOLO11 et la détection d’objets redéfinissent l’analyse du commerce de détail en rendant la gestion des stocks et le suivi des rayons plus efficaces et plus 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 de comptage.

Par exemple, YOLO11 peut détecter des articles précis, comme des lunettes de soleil sur un rayon de magasin. Mais pourquoi un commerçant voudrait-il surveiller les rayons ? Il est essentiel de maintenir les rayons approvisionnés et bien organisés pour que les clients trouvent ce qu’ils cherchent, ce qui a une incidence directe sur les ventes. En surveillant les rayons en temps réel, les commerçants peuvent rapidement repérer les articles en rupture de stock, mal rangés ou entassés, et ainsi maintenir une présentation organisée et attrayante qui améliore l’expérience d’achat.

Fig. 3. Exemple d’utilisation d’Ultralytics YOLO11 pour détecter des produits en rayon.

Ultralytics YOLO11 dans les applications de ville intelligente#

Une ville animée a besoin d’une circulation fluide et de rues sûres pour fonctionner efficacement, et Ultralytics YOLO11 peut y contribuer. En effet, de nombreuses applications de ville intelligente peuvent être intégrées à YOLO11.

Un cas intéressant consiste à utiliser la détection d’objets pour identifier les plaques d’immatriculation de véhicules en mouvement. Ultralytics YOLO11 peut ainsi contribuer à accélérer la perception des péages, à améliorer la gestion du trafic et à faire appliquer la réglementation plus rapidement.

Fig. 4. Détection de plaques d’immatriculation par détection d’objets avec Ultralytics YOLO11.

Les informations fournies par les systèmes d’IA visuelle qui surveillent les routes peuvent alerter les autorités en cas d’infraction au code de la route ou de congestion, avant que la situation ne dégénère. 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 d’Ultralytics YOLO11 à traiter des données visuelles en fait un outil puissant pour améliorer les infrastructures urbaines. Par exemple, le modèle peut aider à optimiser la durée des feux de circulation en analysant les déplacements des véhicules et des piétons. Il peut également renforcer la sécurité aux abords des écoles en détectant les enfants et en avertissant les conducteurs de ralentir. Avec YOLO11, les villes peuvent prendre des mesures préventives pour relever les défis et créer un environnement plus efficace pour tout le monde.

Détection vidéo en temps réel avec Ultralytics YOLO11 : améliorer l’accessibilité#

La détection d’objets en temps réel désigne la capacité d’un système à identifier et à classer les objets au fur et à mesure de leur apparition dans un flux vidéo en direct. Ultralytics YOLO11 est conçu pour offrir des performances en temps réel et prend bien en charge cette fonctionnalité. Ses applications ne se limitent pas à l’optimisation des processus : elles peuvent aussi contribuer à créer un monde plus inclusif et accessible.

Par exemple, YOLO11 peut aider les personnes malvoyantes en identifiant les objets en temps réel. À partir des détections, des descriptions audio peuvent être fournies pour aider les utilisateurs à se déplacer dans leur environnement de manière plus autonome.

Prenons l’exemple d’une personne malvoyante qui fait ses courses. Choisir les bons articles peut être difficile, mais Ultralytics YOLO11 peut l’aider. Lorsqu’elle met des produits dans son panier, un système intégré à YOLO11 peut identifier chaque article, comme des bananes, des avocats ou une brique de lait, et fournir des descriptions audio en temps réel. La personne peut ainsi confirmer ses choix et vérifier qu’elle a tout ce dont elle a besoin. En reconnaissant les articles du quotidien, YOLO11 peut simplifier les courses.

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

Guide pas à pas de la détection d’objets avec Ultralytics YOLO11#

Maintenant que nous avons présenté les bases de la détection d’objets et ses nombreuses applications, voyons comment commencer à utiliser le modèle Ultralytics YOLO11 pour des tâches comme la détection d’objets.

Il existe deux façons simples d’utiliser YOLO11 : avec le package Python Ultralytics ou avec Ultralytics HUB. Voyons ces deux méthodes, en commençant par le package Python.

Exécuter des inférences avec Ultralytics YOLO11#

L’inférence consiste pour un modèle d’IA à analyser de nouvelles données qu’il n’a jamais vues afin de faire des prédictions, de classer des informations ou de fournir des insights à partir de ce qu’il a appris pendant l’entraînement. Pour la détection d’objets, cela signifie identifier et localiser des objets précis dans une image ou une vidéo, tracer des cadres de délimitation autour de ceux-ci et les étiqueter en fonction de l’entraînement du modèle.

Pour exécuter une inférence avec le modèle YOLO11 de détection d’objets, tu dois d’abord installer le package Python Ultralytics avec pip, conda ou Docker. En cas de problème d’installation, consulte le guide de dépannage pour trouver des conseils et des astuces. Une fois l’installation terminée, tu peux utiliser le code suivant pour charger le modèle de détection d’objets YOLO11n et effectuer des prédictions sur une image.

Fig. 6. Exécution d’une inférence sur une image avec YOLO11n.

Entraîner un modèle Ultralytics YOLO11 personnalisé#

Ultralytics YOLO11 prend également en charge l’entraînement personnalisé pour mieux répondre à tes cas d’usage spécifiques. En ajustant finement le modèle, tu peux l’adapter à la détection des objets pertinents pour ton projet. Par exemple, lorsque tu utilises la vision par ordinateur dans le domaine des soins de santé, un modèle YOLO11 entraîné sur mesure peut détecter des anomalies spécifiques dans des images médicales, comme des tumeurs sur des IRM ou des fractures sur des radiographies, et aider les médecins à établir des diagnostics plus rapides et plus précis.

L’extrait de code ci-dessous montre comment charger et entraîner un modèle Ultralytics YOLO11 pour la détection d’objets. Tu peux partir d’un fichier de configuration YAML ou d’un modèle préentraîné, transférer les poids et entraîner le modèle sur des jeux de données comme COCO pour améliorer ses capacités de détection d’objets.

from ultralytics import YOLO

# Charger un modèle
model = YOLO("yolo11n.yaml")  # créer un nouveau modèle à partir de YAML
model = YOLO("yolo11n.pt")  # charger un modèle préentraîné (recommandé pour l’entraînement)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # créer à partir de YAML et transférer les poids

# Entraîner le modèle
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Après avoir entraîné un modèle, tu peux également l’exporter dans différents formats afin de le déployer dans divers environnements.

Détection d’objets YOLO11 sur Ultralytics HUB#

Pour celles et ceux qui cherchent une solution sans code, Ultralytics HUB propose une plateforme d’IA visuelle facile à utiliser pour entraîner et déployer des modèles YOLO, notamment YOLO11.

Pour lancer la détection d’objets sur des images, crée simplement un compte, accède à la section « Models » et sélectionne la variante du modèle de détection d’objets Ultralytics YOLO11. Téléverse ton image : la plateforme affichera les objets détectés dans une section d’aperçu.

Fig. 7. Exécution d’inférences sur Ultralytics HUB.

En associant la flexibilité du package Python à la simplicité d’utilisation de HUB, Ultralytics YOLO11 permet aux développeurs comme aux entreprises de tirer facilement parti d’une détection d’objets avancée.

Points clés à retenir#

Ultralytics YOLO11 allie grande précision et polyvalence pour répondre aux besoins de divers secteurs. De l’amélioration des analyses dans le commerce de détail à la gestion des infrastructures des villes intelligentes, YOLO11 est conçu pour offrir des performances fiables en temps réel dans de nombreuses applications.

Grâce aux options d’entraînement personnalisé et à l’interface facile à utiliser d’Ultralytics HUB, intégrer YOLO11 à tes flux de travail est simple. Que tu sois développeur et que tu explores la vision par ordinateur ou une entreprise qui cherche à innover grâce à l’IA, YOLO11 te fournit les outils nécessaires pour te lancer.

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