Comment Ultralytics Platform simplifie le déploiement des modèles de vision par ordinateur

Depuis des années, Ultralytics travaille avec la communauté de la vision par ordinateur et crée des modèles et des outils qui rendent l’IA visuelle plus accessible à tous. Avec Ultralytics Platform, nous allons encore plus loin en réunissant l’ensemble du flux de développement de la vision par ordinateur dans un environnement unifié, de la gestion et de l’annotation des jeux de données à l’entraînement, à la validation et au déploiement des modèles.

En particulier, nous sommes ravis de faciliter le déploiement de modèles de vision par ordinateur. Alors que la vision par ordinateur se développe dans les applications du monde réel, l’analyse d’images et de vidéos en dehors d’environnements contrôlés reste complexe.

Contrairement aux configurations de test où les conditions sont prévisibles, les situations réelles impliquent des variations d’éclairage, des entrées changeantes et des charges de travail imprévisibles, ce qui fait du déploiement l’une des étapes les plus difficiles du workflow de vision.

Le déploiement ne consiste pas simplement à rendre un modèle disponible. Il faut mettre en place des processus capables de traiter des données du monde réel et veiller au bon fonctionnement de l’ensemble à mesure que l’utilisation augmente et que les projets prennent de l’ampleur.

Les équipes doivent également suivre les performances et maintenir la fiabilité au fil du temps. Cela implique souvent de passer d’un outil d’IA à l’autre pour les tests, l’intégration, le déploiement et la surveillance, ce qui peut ralentir le développement des modèles et ajouter une complexité inutile.

Les workflows finissent par se fragmenter. Ultralytics Platform unifie et simplifie ce processus.

La plateforme offre une prise en charge intégrée du service, des tests et de la surveillance des modèles dans un environnement unique. Les équipes peuvent valider les modèles grâce à l’inférence dans le navigateur, les intégrer aux applications via des services d’inférence partagés et les déployer sur des points de terminaison dédiés dotés de capacités de surveillance des performances.

Fig. 1. Aperçu de la page de déploiement dans Ultralytics Platform (Source)

Dans cet article, nous allons voir comment Ultralytics Platform simplifie le déploiement de modèles de vision par ordinateur, des tests et de l’intégration à la mise en production et à la surveillance. C’est parti !

Présentation du déploiement de modèles de vision par ordinateur#

Dans le cycle de vie de l’apprentissage automatique, le déploiement de modèles est l’étape où un modèle passe de l’expérimentation à une utilisation dans le monde réel. Pour les modèles de vision par ordinateur conçus à l’aide de l’apprentissage profond et de réseaux neuronaux convolutifs, cela consiste généralement à les rendre disponibles pour traiter des images et des vidéos en temps réel.

Une fois déployés, ces modèles reçoivent de nouvelles données, qui passent généralement par des étapes de prétraitement comme le redimensionnement, la normalisation ou le formatage. Les données traitées sont ensuite transmises au modèle, qui applique les motifs appris pendant l’entraînement pour générer des prédictions très précises.

Selon le cas d’utilisation, cela peut impliquer différentes tâches de vision par ordinateur. Par exemple, les modèles Ultralytics YOLO, comme Ultralytics YOLO26, prennent en charge de nombreuses tâches visuelles, dont la détection d’objets, la segmentation d’instances, la classification d’images, l’estimation de pose et la détection de boîtes englobantes orientées (OBB).

Pour être exploités dans des applications du monde réel, les modèles doivent souvent être intégrés à des systèmes capables de gérer efficacement le prétraitement et l’inférence. C’est là que l’infrastructure de déploiement devient essentielle.

Dans les environnements de production, les modèles sont généralement accessibles via des REST API ou des systèmes de service de modèles. Ces interfaces permettent aux applications d’envoyer des données et de recevoir des prédictions par programmation, ce qui facilite leur intégration à des applications externes, des appareils IoT ou des systèmes robotiques qui s’appuient sur la compréhension visuelle en temps réel.

Limites des outils traditionnels de déploiement en vision par ordinateur#

Le déploiement de modèles de vision par ordinateur peut sembler simple, mais jusqu’à présent, la réalité était bien différente. Prenons une configuration courante : les données sont d’abord capturées par des caméras ou des capteurs, envoyées à un modèle pour l’inférence, puis renvoyées à une application sous forme de prédictions.

En réalité, chacune de ces étapes est souvent gérée par des outils et des services distincts. Un système peut gérer la capture des données, un autre le service des modèles, tandis que d’autres outils servent à la mise à l’échelle, à la surveillance et à la journalisation. Maintenir la connexion entre ces composants et assurer leur bon fonctionnement peut vite devenir complexe.

À mesure que l’utilisation augmente, cette complexité s’accentue. Gérer l’infrastructure, les dépendances et des performances constantes sur l’ensemble du pipeline peut ralentir le développement et compliquer le déploiement de modèles de vision par ordinateur dans des applications du monde réel.

Ultralytics Platform rassemble ces composants dans un environnement unifié. Cela offre un moyen plus cohérent de gérer l’ensemble du workflow de déploiement, tout en maintenant les performances et la fiabilité à grande échelle.

Options de déploiement de modèles offertes par Ultralytics Platform#

En plus d’unifier le processus de déploiement des modèles, Ultralytics Platform offre également une grande souplesse quant à leur déploiement et à leur utilisation.

Pour prendre en charge les différentes étapes du déploiement de modèles de vision par ordinateur, la plateforme propose quatre options : les tests dans le navigateur avec inférence instantanée, l’inférence partagée via des API pour le développement, des points de terminaison dédiés pour des déploiements en production évolutifs dans différentes régions du monde, et l’exportation de modèles pour les exécuter sur une infrastructure externe ou des appareils en périphérie.

Examinons de plus près le fonctionnement de chacune de ces options.

Valider rapidement les modèles avec l’onglet Predict#

Avant de mettre un modèle en production, il est important de comprendre ses performances sur de nouvelles données qu’il n’a jamais vues. Ultralytics Platform comprend un onglet Predict intégré qui te permet de lancer l’inférence directement dans le navigateur, sans configuration, infrastructure ni dépendances.

L’onglet Predict accélère la validation des modèles et la rend interactive. Tu peux importer des images, utiliser des exemples préchargés ou capturer des entrées avec une webcam ; l’inférence se lance automatiquement dès que les données sont fournies.

Les résultats s’affichent instantanément avec des superpositions visuelles, des scores de confiance et des résultats détaillés, ce qui te permet de voir clairement le comportement du modèle.

Fig. 2. Exemple de validation d’un modèle avec l’onglet Predict (Source)

En quelques clics, tu peux ainsi tester différentes entrées, ajuster les paramètres et évaluer les performances dans une interface unique avant de passer au déploiement.

Exécuter des inférences partagées pour les tests ou un usage léger#

Imaginons que tu aies entraîné un modèle et que tu l’aies validé avec l’onglet Predict. L’étape suivante consiste souvent à commencer à l’intégrer à une application ou à un workflow.

Au lieu de configurer une infrastructure ou de gérer des serveurs, Ultralytics Platform propose des services d’inférence partagés qui te permettent d’envoyer des données à ton modèle et de recevoir des prédictions via de simples REST API.

En coulisses, l’inférence partagée s’exécute sur un système mutualisé réparti dans quelques régions principales, où les requêtes sont automatiquement acheminées vers le service disponible le plus proche. Cela contribue à maintenir des performances réactives et permet aux utilisateurs situés dans différents endroits d’accéder aux modèles de manière cohérente.

Tu peux envoyer des entrées à l’aide de requêtes HTTP standard et recevoir des résultats structurés en retour, ce qui facilite la connexion des modèles à des applications, des scripts ou des workflows d’automatisation. Cette configuration est une excellente option pour le développement, les tests, les intégrations ou les usages plus légers avant de passer à des déploiements en production plus évolutifs.

Déployer des modèles dans le monde entier avec des points de terminaison dédiés#

Lorsqu’un modèle est prêt pour la production, il doit gérer le trafic réel de manière fiable et à grande échelle. Ultralytics Platform répond à ce besoin grâce aux points de terminaison dédiés, qui exécutent les modèles sous forme de services à locataire unique dans 42 régions du monde. Un déploiement plus proche des utilisateurs finaux réduit la latence et maintient des performances constantes dans différents lieux.

Chaque point de terminaison dispose de ses propres ressources de calcul allouées et d’une URL unique pour les requêtes d’inférence. Ce niveau de contrôle permet d’ajuster facilement les déploiements en fonction des besoins de performance, des cas d’utilisation légers aux applications plus exigeantes à haut débit, qui nécessitent davantage de ressources de calcul.

Fig. 3. Tu peux déployer des modèles dans 42 régions du monde avec Ultralytics Platform (Source)

Avec les ressources par défaut, les points de terminaison dédiés inactifs passent à zéro et redémarrent à l’arrivée de nouvelles requêtes, ce qui aide à optimiser l’utilisation des ressources sans intervention manuelle. Les points de terminaison de taille personnalisée conservent plutôt une instance active.

Exporter facilement ton modèle avec Ultralytics Platform#

Aujourd’hui, l’IA en périphérie devient de plus en plus essentielle, car davantage d’applications s’appuient sur l’exécution directe de modèles sur des appareils comme les smartphones, les caméras et les systèmes embarqués. L’exécution locale des modèles peut également aider à répondre aux exigences en matière de confidentialité des données, puisque les données sensibles, comme les images ou les flux vidéo, peuvent être traitées directement sur l’appareil sans être envoyées à des serveurs externes.

Dans ces scénarios, les modèles doivent fonctionner en dehors d’Ultralytics Platform, ce qui fait de l’exportation une étape cruciale du processus de déploiement. Les modèles Ultralytics YOLO sont souvent entraînés avec Python et PyTorch, puis peuvent être exportés dans plus de 17 formats, dont ONNX, TensorRT, CoreML et OpenVINO.

Cette vaste gamme de formats assure la compatibilité avec des matériels variés, des processeurs graphiques (GPUs) hautes performances aux appareils mobiles et embarqués. L’exportation permet également d’ajuster les performances à des environnements spécifiques.

Selon le format, les modèles peuvent offrir des vitesses d’inférence supérieures, par exemple de meilleures performances GPU avec TensorRT ou une exécution CPU optimisée avec ONNX et OpenVINO. Des options comme la quantification FP16 et INT8 peuvent réduire davantage la taille des modèles et améliorer le débit, ce qui est particulièrement utile pour les déploiements en périphérie.

Sur Ultralytics Platform, l’exportation est directement intégrée au workflow, ce qui permet de générer rapidement des modèles optimisés en quelques clics. Les équipes peuvent passer de l’entraînement à l’exécution des modèles sur des systèmes externes sans alourdir leur processus.

Fig. 4. Sélection de formats d’exportation dans Ultralytics Platform.

Choisir la bonne option de déploiement de modèle#

Chaque option de déploiement d’Ultralytics Platform correspond à une étape différente du workflow, des premiers tests à l’utilisation en production. Voici un aperçu des cas où tu peux utiliser chacune d’elles :

• Onglet Predict : Il est généralement utilisé juste après l’entraînement ou le fine-tuning, lorsque tu veux valider les performances d’un modèle sur de nouvelles données par inférence dans le navigateur.
• Inférence partagée : À cette étape, les modèles peuvent être intégrés à des applications via des API, ce qui permet de tester des interactions réelles pendant le développement.
• Points de terminaison dédiés : Ils sont utilisés pour les déploiements en production, lorsque les modèles doivent offrir des performances constantes, disposer de ressources dédiées et pouvoir monter en charge dans différentes régions du monde.
• Exportation de modèles : Lorsque les modèles doivent s’exécuter en dehors de la plateforme, leur exportation permet de les déployer sur des appareils en périphérie, des applications mobiles ou une infrastructure personnalisée.

Les équipes passent souvent progressivement d’une option à l’autre, de la validation à l’intégration, puis au déploiement en production, le tout au sein de la plateforme.

Surveiller les modèles déployés avec Ultralytics Platform#

Aussi essentiel que soit le déploiement, le pipeline de vision ne s’arrête pas là. Une fois le modèle en production, la surveillance continue est essentielle pour garantir ses performances dans la durée.

Ultralytics Platform fournit des outils de surveillance intégrés qui donnent aux équipes une vision claire du comportement de leurs modèles d’IA de vision au fil du temps, et favorisent un workflow plus structuré d’exploitation de l’apprentissage automatique (MLOps).

La page Deploy comprend un tableau de bord qui suit des indicateurs clés tels que le nombre total de requêtes, les déploiements actifs, la latence des réponses et le taux d’erreur. Ces informations aident les équipes à comprendre les habitudes d’utilisation, à évaluer la réactivité du système et à garantir une faible latence pour différentes charges de travail.

Fig. 5. Ultralytics Platform facilite la surveillance des modèles déployés. (Source)

Chaque point de terminaison dédié fournit également une observabilité détaillée dans des vues de déploiement individuelles. Cela comprend l’accès aux journaux, à l’état de santé du modèle et aux données de performance en temps réel. Les journaux peuvent servir à déboguer les problèmes, à retracer les requêtes ayant échoué et à repérer les éventuels problèmes liés aux dépendances ou à l’infrastructure.

À mesure que les environnements de production évoluent, des facteurs comme le changement des données d’entrée, les besoins de mise à l’échelle ou les variations des habitudes d’utilisation peuvent affecter la précision et la robustesse des modèles. En surveillant en continu les indicateurs de performance, les équipes peuvent détecter les anomalies, repérer les goulots d’étranglement et prendre des mesures correctives, comme optimiser les modèles ou ajuster les ressources, afin de maintenir un service de modèles constant et fiable.

Intégrer l’évolutivité aux déploiements de modèles de vision par ordinateur#

Jusqu’à présent, la mise à l’échelle des systèmes de vision par ordinateur consistait souvent à assembler des workflows et des frameworks qui n’avaient jamais été conçus pour fonctionner ensemble. Les pipelines de données, les boucles d’entraînement, l’infrastructure de déploiement et les systèmes de surveillance se trouvent souvent à des endroits différents, ce qui crée des frictions à chaque étape.

Le véritable défi ne consiste pas seulement à créer des modèles, mais aussi à les faire avancer : des données à la production, en s’adaptant aux nouvelles entrées, en gérant une demande croissante et en s’améliorant continuellement sans ralentir.

Ce qui distingue Ultralytics Platform, c’est que cette continuité est intégrée. Au lieu de traiter chaque étape séparément, la plateforme les relie en une boucle continue où les modèles peuvent être développés, déployés, observés et mis à jour dans le même environnement.

Cette évolution transforme la manière dont les équipes passent à l’échelle. Il ne s’agit plus d’orchestrer des outils ou une infrastructure, mais de maintenir l’élan à mesure que les systèmes se développent.

Points clés à retenir#

L’intégration de modèles d’apprentissage automatique, comme les modèles de vision par ordinateur, dans des applications du monde réel exige qu’ils soient fiables, évolutifs et faciles à gérer. Ultralytics Platform simplifie ce processus en réunissant différentes fonctions, comme le service, le déploiement et la surveillance des modèles, dans un environnement unifié. Grâce à des options de déploiement flexibles et à des outils intégrés, les équipes peuvent passer plus rapidement de l’expérimentation à la production, avec moins de complexité.

Découvre notre communauté et consulte notre dépôt GitHub pour en savoir plus. Explore nos pages de solutions pour découvrir diverses applications comme l’IA dans les soins de santé et la vision par ordinateur dans la logistique. Découvre nos options de licence et commence à créer dès aujourd’hui !