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

Depuis des années, Ultralytics collabore avec la communauté de la vision par ordinateur en créant 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 workflow 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, la validation et le déploiement des modèles.

Nous sommes particulièrement ravis de simplifier le déploiement des modèles de vision par ordinateur. Alors que la vision par ordinateur s’intègre progressivement aux applications concrètes, 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 scénarios réels impliquent un éclairage variable, des entrées changeantes et des charges de travail imprévisibles, ce qui fait du déploiement l’une des parties les plus difficiles du workflow de vision.

Le déploiement ne consiste pas seulement à rendre un modèle disponible. Il faut mettre en place des processus capables de gérer des données réelles et s’assurer que tout fonctionne correctement à mesure que l’utilisation et les projets évoluent.

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

Les workflows finissent par être fragmentés. Ultralytics Platform unifie et simplifie ce processus.

La plateforme intègre la prise en charge du service, des tests et de la supervision des modèles dans un seul environnement. Les équipes peuvent valider les modèles grâce à l’inférence dans le navigateur, les intégrer à des applications via des services d’inférence partagés et les déployer sur des endpoints dédiés dotés de capacités de supervision des performances.

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

Dans cet article, nous verrons comment Ultralytics Platform redéfinit le déploiement des modèles de vision par ordinateur, des tests et de l’intégration au déploiement en production et à la supervision. Commençons !

Vue d’ensemble du déploiement des modèles de vision par ordinateur#

Dans le cycle de vie du machine learning, le déploiement des modèles correspond à l’étape où un modèle passe de l’expérimentation à l’utilisation dans le monde réel. Pour les modèles de vision par ordinateur construits avec le deep learning et les réseaux neuronaux convolutifs, cela signifie généralement 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 la mise en forme. 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 inclure différentes tâches de vision par ordinateur. Par exemple, les modèles Ultralytics YOLO, comme Ultralytics YOLO26, prennent en charge un large éventail de tâches de vision, notamment la détection d’objets, la classification d’images, la segmentation d’instances, l’estimation de pose et la détection de boîtes englobantes orientées (OBB).

Pour les rendre utilisables dans des applications concrètes, 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 APIs 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 l’intégration avec des applications externes, des appareils IoT ou des systèmes robotiques qui reposent sur la compréhension visuelle en temps réel.

Limites des outils traditionnels de déploiement de la vision par ordinateur#

Le déploiement de modèles de vision par ordinateur peut sembler simple, mais jusqu’à présent, il s’est révélé très différent en pratique. 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 services distincts. Un système peut gérer la capture des données, un autre le service du modèle, tandis que des outils supplémentaires servent à la mise à l’échelle, à la supervision et à la journalisation. Maintenir ces composants connectés et fiables peut rapidement devenir complexe.

À mesure que l’utilisation augmente, cette complexité s’accroît. La gestion de l’infrastructure, des dépendances et de performances cohérentes sur l’ensemble du pipeline peut ralentir le développement et compliquer le déploiement de modèles de vision par ordinateur dans des applications concrètes.

Ultralytics Platform réunit ces composants dans un environnement unique et unifié. Cela offre une manière plus cohérente de gérer l’ensemble du workflow de déploiement tout en assurant les performances et la fiabilité à grande échelle.

Options de déploiement des modèles proposées par Ultralytics Platform#

En plus d’unifier le processus de déploiement des modèles, Ultralytics Platform apporte également de la flexibilité à la manière dont les modèles sont déployés et utilisés.

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

Examinons donc plus en détail le fonctionnement de chacune de ces options.

Valide rapidement les modèles avec l’onglet Predict#

Avant de passer un modèle en production, il est important de comprendre ses performances sur des données nouvelles et inédites. Ultralytics Platform intègre un onglet Predict qui te permet d’exécuter l’inférence directement dans le navigateur, sans configuration, infrastructure ni dépendances.

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

Les résultats s’affichent instantanément avec des superpositions visuelles, des scores de confiance et des sorties détaillées, ce qui te donne une vision claire du comportement du modèle.

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

Ainsi, en quelques clics, tu peux tester différentes entrées, ajuster les paramètres et évaluer les performances dans une seule interface avant de passer au déploiement.

Exécute des inférences partagées pour les tests ou une utilisation légère#

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

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

En coulisses, l’inférence partagée s’exécute sur un système multi-tenant réparti entre plusieurs régions principales, où les requêtes sont automatiquement acheminées vers le service disponible le plus proche. Cela permet de maintenir des performances réactives tout en donnant aux utilisateurs de différents emplacements un accès cohérent aux modèles.

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

Déploie des modèles dans le monde entier via des endpoints dédiés#

Une fois qu’un modèle est prêt pour la production, il doit gérer de manière fiable un trafic réel et à grande échelle. Ultralytics Platform prend cela en charge avec des endpoints dédiés, où les modèles s’exécutent en tant que services mono-tenant dans 43 régions du monde. Déployer les modèles au plus près des utilisateurs finaux contribue à réduire la latence et à maintenir des performances cohérentes selon les emplacements.

Chaque endpoint s’exécute avec ses propres ressources de calcul allouées et une URL unique pour les requêtes d’inférence. Ce niveau de contrôle facilite l’ajustement des déploiements selon les 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 43 régions du monde avec Ultralytics Platform (Source)

Cependant, les endpoints dédiés sont conçus pour gérer eux-mêmes les variations de charge grâce à l’auto-scaling, qui ajuste les ressources en fonction du trafic entrant. Ils augmentent leurs ressources pendant les périodes de forte demande et les réduisent lorsque l’utilisation baisse. Avec le scale-to-zero activé par défaut, les endpoints inactifs s’arrêtent automatiquement et redémarrent lorsque de nouvelles requêtes arrivent, ce qui permet d’optimiser l’utilisation des ressources sans intervention manuelle.

Exporte facilement ton modèle avec Ultralytics Platform#

Aujourd’hui, l’IA edge devient de plus en plus essentielle, car davantage d’applications reposent sur l’exécution directe des modèles sur des appareils comme les smartphones, les caméras et les systèmes embarqués. L’exécution locale des modèles peut également contribuer à répondre aux exigences de confidentialité des données, puisque les données sensibles telles que 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 s’exécuter en dehors d’Ultralytics Platform, ce qui fait de l’exportation des modèles une partie essentielle du processus de déploiement. Les modèles Ultralytics YOLO sont souvent entraînés avec Python et PyTorch, puis peuvent être exportés vers plus de 17 formats différents, notamment ONNX, TensorRT, CoreML et OpenVINO.

Cette large gamme de formats garantit la compatibilité avec divers matériels, des unités de traitement graphique (GPUs) haute performance aux appareils mobiles et embarqués. L’exportation permet également d’optimiser les performances pour des environnements spécifiques.

Selon le format, les modèles peuvent atteindre des vitesses d’inférence supérieures, par exemple grâce à de meilleures performances GPU avec TensorRT ou à une exécution optimisée sur CPU 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 edge.

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 ajouter de surcharge.

Fig. 4. Une sélection de formats d’exportation sur Ultralytics Platform.

Choisir la bonne option de déploiement des modèles#

Chaque option de déploiement d’Ultralytics Platform prend en charge une étape différente du workflow, des premiers tests à l’utilisation en production. Voici un aperçu des situations dans lesquelles 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 grâce à l’inférence dans le navigateur.
• Inférence partagée : à cette étape, les modèles peuvent être intégrés à des applications via des APIs, ce qui permet de tester des interactions réelles pendant le développement.
• Endpoints dédiés : ils sont utilisés pour les déploiements en production, lorsque les modèles doivent offrir des performances constantes, disposer de ressources dédiées et pouvoir évoluer dans différentes régions du monde.
• Exportation du modèle : lorsque les modèles doivent s’exécuter en dehors de la plateforme, leur exportation permet de les déployer sur des appareils edge, des applications mobiles ou une infrastructure personnalisée.

Les équipes passent souvent progressivement par ces options, de la validation à l’intégration, puis au déploiement en production, le tout au sein de la plateforme.

Supervise 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 exécuté en production, une supervision continue est indispensable pour s’assurer qu’il reste fiable au fil du temps.

Ultralytics Platform fournit des outils de supervision intégrés qui donnent aux équipes une visibilité claire sur le comportement de leurs modèles d’IA visuelle au fil du temps, favorisant un workflow plus structuré d’opérations de machine learning (MLOps).

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

Fig. 5. Ultralytics Platform simplifie la supervision des modèles déployés. (Source)

Chaque endpoint dédié fournit également une observabilité détaillée grâce à des vues individuelles des déploiements. Cela inclut 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 échouées et à identifier d’éventuels problèmes liés aux dépendances ou à l’infrastructure.

À mesure que les environnements de production évoluent, des facteurs comme la modification des données d’entrée, les besoins de mise à l’échelle ou l’évolution des habitudes d’utilisation peuvent affecter la précision et la robustesse des modèles. En supervisant continuellement les métriques de performance, les équipes peuvent détecter les anomalies, identifier les goulots d’étranglement et prendre des mesures correctives, comme optimiser les modèles ou ajuster les ressources, afin de maintenir un service de modèles cohérent et fiable.

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

Traditionnellement, faire évoluer les systèmes de vision par ordinateur consistait 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 supervision sont souvent dissociés, ce qui crée des frictions à chaque étape.

Le véritable défi ne consiste pas seulement à créer des modèles, mais à les faire avancer. Il s’agit de passer des données à la production, de s’adapter aux nouvelles entrées, de gérer une demande croissante et de s’améliorer 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 dans une boucle continue où les modèles peuvent être développés, déployés, observés et mis à jour au sein du même environnement.

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

Points clés à retenir#

Intégrer des modèles de machine learning, comme les modèles de vision par ordinateur, dans des applications concrètes exige qu’ils soient fiables, évolutifs et faciles à gérer. Ultralytics Platform simplifie ce processus en réunissant diverses fonctions, comme le service, le déploiement et la supervision 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.

Consulte notre communauté et explore notre dépôt GitHub pour en savoir plus. Consulte nos pages de solutions pour découvrir différentes applications, comme l’IA dans le secteur de la santé et la vision par ordinateur dans la logistique. Découvre nos options de licence et commence à construire dès aujourd’hui !