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 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 identifie non seulement les objets présents dans une image, mais indique également leur emplacement exact. Elle constitue ainsi un outil essentiel pour les applications de vision par 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 permet aux utilisateurs des modèles précédents d’effectuer une transition fluide.

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

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 examiner ses applications concrètes. Nous te montrerons également comment utiliser le modèle YOLO11 avec le package Python Ultralytics et la plateforme Ultralytics HUB. Commençons !

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

La détection d’objets est une tâche fondamentale de la vision par ordinateur qui ne se limite pas à identifier les objets présents 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 indique leur emplacement exact à l’aide de boîtes englobantes.

Par exemple, elle peut identifier et localiser des visages sur une photo de groupe, des voitures dans une rue très fréquentée ou des produits sur une étagère de magasin. La combinaison de la reconnaissance et de la localisation des objets la rend particulièrement utile pour des applications comme la vidéosurveillance, la surveillance des 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 comme la segmentation sémantique ou la segmentation d’instances, c’est son orientation et son efficacité.

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

La détection d’objets propose toutefois une approche plus rationalisée en identifiant et en classant les objets tout en indiquant leur position. Elle est donc idéale pour les 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 le rendent utile dans de nombreux secteurs. Examinons quelques exemples.

Utiliser 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 la surveillance des rayons plus efficaces et plus précises. La capacité du modèle à détecter rapidement et de manière fiable les objets aide les distributeurs à suivre les niveaux de stock, à organiser les rayons et à réduire les erreurs de comptage des stocks.

Par exemple, YOLO11 peut détecter des articles spécifiques, comme des lunettes de soleil sur une étagère. Mais pourquoi un distributeur voudrait-il surveiller un rayon ? Maintenir des rayons approvisionnés et organisés est essentiel pour 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 distributeurs peuvent rapidement repérer les articles presque épuisés, mal placés ou trop nombreux, ce qui les aide à maintenir une présentation organisée et attrayante améliorant l’expérience d’achat.

Fig. 3. Exemple d’utilisation d’Ultralytics YOLO11 pour détecter des produits sur des rayons.

Ultralytics YOLO11 dans les applications de ville intelligente#

Une ville animée dépend d’une circulation fluide et de rues sûres pour fonctionner efficacement, et Ultralytics YOLO11 peut contribuer à cela. De nombreuses applications de ville intelligente peuvent en effet être intégrées à YOLO11.

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

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

Les informations fournies par les systèmes de vision par IA qui surveillent les routes peuvent alerter les autorités en cas d’infraction au code de la route ou d’embouteillage avant que la situation ne s’aggrave. YOLO11 peut également détecter les piétons et les cyclistes, rendant les rues plus sûres et plus efficaces pour tout le monde.

En réalité, la capacité d’Ultralytics YOLO11 à traiter les données visuelles en fait un outil puissant pour améliorer les infrastructures urbaines. Il peut par exemple contribuer 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 alertant les conducteurs afin qu’ils ralentissent. Avec YOLO11, les villes peuvent prendre des mesures proactives pour relever les défis et créer un environnement plus efficace pour tous.

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 classer les objets d’un flux vidéo en direct au moment où ils apparaissent. Ultralytics YOLO11 est conçu pour offrir d’excellentes performances en temps réel et excelle dans la prise en charge de cette fonctionnalité. Ses applications vont au-delà de la simple rationalisation des processus : elles peuvent 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. À partir des détections, des descriptions audio peuvent être fournies, ce qui aide les utilisateurs à se déplacer dans leur environnement de manière plus autonome.

Prenons le cas d’une personne malvoyante qui fait ses courses. Choisir les bons articles peut être difficile, mais Ultralytics YOLO11 peut l’aider. Lorsqu’elle place des articles dans son panier, un système intégré à YOLO11 peut identifier chaque produit — des bananes, des avocats ou une brique de lait, par exemple — et fournir des descriptions audio en temps réel. Elle peut ainsi confirmer ses choix et s’assurer de ne rien oublier. 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 étape par étape de la détection d’objets avec Ultralytics YOLO11#

Maintenant que nous avons abordé les bases de la détection d’objets et ses nombreuses applications, voyons comment commencer à utiliser 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 Ultralytics HUB. Explorons les 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 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 spécifiques dans une image ou une vidéo, tracer des boîtes englobantes autour d’eux et leur attribuer une étiquette en fonction de l’entraînement du modèle.

Pour effectuer une inférence avec le modèle de détection d’objets YOLO11, tu dois 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 conseils et des astuces qui t’aideront à les résoudre. Une fois le package installé, tu peux utiliser le code suivant pour charger le modèle de détection d’objets YOLO11 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 afin de mieux répondre à tes cas d’utilisation spécifiques. En ajustant finement le modèle, tu peux l’adapter pour détecter les objets pertinents pour ton projet. Par exemple, lorsque tu utilises la vision par ordinateur dans le domaine médical, un modèle YOLO11 entraîné sur mesure peut servir à détecter des anomalies spécifiques dans des images médicales, comme des tumeurs sur des IRM ou des fractures sur des radiographies, afin d’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 pré-entraîné, transférer les poids et entraîner le modèle sur des jeux de données tels que COCO afin d’obtenir des capacités de détection d’objets plus affinées.

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 l’exporter dans différents formats pour le déployer dans divers environnements.

Détection d’objets YOLO11 sur Ultralytics HUB#

Pour celles et ceux qui recherchent une alternative sans code, Ultralytics HUB fournit une plateforme de vision par IA facile à utiliser pour entraîner et déployer des modèles YOLO, notamment YOLO11.

Pour effectuer une 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 et la plateforme affichera les objets détectés dans une section d’aperçu.

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

En combinant la flexibilité du package Python et la simplicité de HUB, Ultralytics YOLO11 permet aux développeurs comme aux entreprises d’exploiter facilement la puissance des technologies avancées de détection d’objets.

Points clés à retenir#

Ultralytics YOLO11 établit une nouvelle référence en matière de détection d’objets, en combinant une grande précision et une grande polyvalence pour répondre aux besoins de nombreux secteurs. De l’amélioration de l’analyse du commerce de détail à la gestion des infrastructures de ville intelligente, YOLO11 est conçu pour fournir des performances fiables en temps réel dans d’innombrables applications.

Avec ses options d’entraînement personnalisé et son interface facile à utiliser via Ultralytics HUB, intégrer YOLO11 à tes workflows n’a jamais été aussi simple. Que tu sois un développeur qui explore la vision par ordinateur ou une entreprise cherchant à innover avec l’IA, YOLO11 fournit les outils dont tu as besoin pour réussir.

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