Comment utiliser Ultralytics YOLO11 pour la détection d'objets

La Computer vision 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 object detection. Contrairement à la image classification, la détection d'objets n'identifie pas seulement les objets présents dans une image, elle en précise également l'emplacement exact. Cela en fait un outil essentiel pour les vision AI applications like self-driving cars, les security systems 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 model. YOLO11 améliore la précision et les performances tout en prenant en charge les mêmes tâches que YOLOv8, ce qui permet aux utilisateurs des modèles précédents d'effectuer une transition transparente.

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

Dans cet article, nous allons décomposer ce qu'est la object detection, en quoi elle diffère des autres tâches de vision par ordinateur, et explorer ses applications concrètes. Nous vous guiderons également sur l'utilisation du modèle YOLO11 avec le package Ultralytics Python package et la plateforme Ultralytics HUB platform. C'est parti !

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

La object detection est une tâche fondamentale de la vision par ordinateur qui fait bien plus que simplement identifier des 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 leurs positions exactes à l'aide de boîtes englobantes.

Par exemple, elle peut identify and locate faces in a group photo, des voitures dans une rue animée ou des produits sur les étagères d'un magasin. L'association de la reconnaissance et de la localisation d'objets la rend particulièrement utile pour des applications telles que la surveillance, la surveillance de foules et la gestion automatisée des stocks.

Fig. 2. Utilisation d'Ultralytics YOLO11 pour détecter des visages.

Ce qui distingue la détection d'objets d'autres tâches telles que la segmentation sémantique ou instance segmentation, c'est son objectif 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 seront regroupés sous le terme "visage"). La instance segmentation va plus loin en séparant chaque objet et en délimitant sa forme exacte, même pour des objets de la même classe.

La détection d'objets offre cependant une approche plus rationalisée en identifiant et en classant les objets tout en marquant leurs positions. Cela la rend idéale pour les tâches en temps réel telles que la détection de visages dans des séquences de sécurité ou l'identification d'obstacles pour les autonomous vehicles.

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

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

Utilisation d'Ultralytics YOLO11 pour l'analytique de détail#

Ultralytics YOLO11 et la détection d'objets redéfinissent l'analyse dans le commerce de détail en rendant la gestion des stocks et la surveillance des rayons plus efficaces et précises. La capacité du modèle à détecter rapidement et de manière fiable des 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 tels que des lunettes de soleil sur l'étagère d'un magasin. Mais pourquoi un détaillant voudrait-il surveiller un rayon ? Maintenir les rayons approvisionnés et organisés est essentiel pour s'assurer 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 les articles qui s'épuisent, sont mal placés ou surpeuplés, ce qui les aide à maintenir un affichage organisé et attrayant qui améliore l'expérience d'achat.

Fig. 3. Exemple d'utilisation d'Ultralytics YOLO11 pour détecter des produits sur les étagères.

Ultralytics YOLO11 dans les applications de villes intelligentes#

Une ville animée dépend d'un trafic fluide et de rues sûres pour fonctionner efficacement, et Ultralytics YOLO11 peut y contribuer. En fait, de nombreuses applications de villes intelligentes peuvent être intégrées avec YOLO11.

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

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

Les informations issues des systèmes d'IA de vision surveillant les routes peuvent alerter les autorités en cas d'infractions au code de la route ou de congestion avant qu'elles ne se transforment en problèmes plus graves. 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 l'infrastructure urbaine. Par exemple, il peut aider à optimiser le minutage des feux de circulation en analysant le mouvement des véhicules et des piétons. Il peut également renforcer la sécurité dans les zones scolaires en détectant les enfants et en alertant les conducteurs pour qu'ils ralentissent. Avec YOLO11, les villes peuvent prendre des mesures proactives pour relever les défis et créer un environnement plus efficace pour tout le monde.

Détection vidéo en temps réel avec Ultralytics YOLO11 : Augmenter l'accessibilité#

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

Par exemple, YOLO11 peut aider les malvoyants 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 une plus grande indépendance.

Imagine une personne malvoyante qui fait ses courses. Choisir les bons articles peut être difficile, mais Ultralytics YOLO11 peut t'aider. Au fur et à mesure qu'elle place des articles dans son chariot, un système intégré avec 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 lui permet de confirmer ses choix et de s'assurer qu'elle a tout ce dont elle a besoin. En reconnaissant des objets du quotidien, YOLO11 peut rendre le shopping plus simple.

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

Guide étape par étape de la détection d'objets avec Ultralytics 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.

Exécution d'inférences à l'aide d'Ultralytics YOLO11#

L'inférence correspond au moment où un modèle d'IA analyse de nouvelles données inédites pour faire des predictions, classer des informations ou fournir des analyses basées sur ce qu'il a appris lors de 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 boîtes englobantes autour d'eux et les étiqueter en fonction de l'apprentissage du modèle.

Pour effectuer une inférence à l'aide du modèle de détection d'objets YOLO11, tu dois d'abord install the Ultralytics Python package via pip, conda ou Docker. Si tu rencontres des problèmes d'installation, consulte le troubleshooting guide pour trouver des conseils et astuces 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.

Entraînement d'un modèle Ultralytics YOLO11 personnalisé#

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

Détection d'objets YOLO11 sur l'Ultralytics HUB#

Pour ceux qui recherchent une alternative sans code, Ultralytics HUB propose une plateforme de vision par ordinateur 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 Ultralytics YOLO11. Téléporte 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 paquet Python avec la facilité de HUB, Ultralytics YOLO11 permet aux développeurs et aux entreprises d'exploiter facilement la puissance de la technologie de détection d'objets avancée.

Points clés#

Ultralytics 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. Qu'il s'agisse d'améliorer l'analyse de la vente au détail ou de gérer l'infrastructure d'une ville intelligente, 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 GitHub repository et interagis avec notre communauté. Explore les applications de l'IA dans les self-driving cars et la computer vision for agriculture sur nos pages de solutions. 🚀