Segmentation d’images avec Ultralytics YOLO11 sur Google Colab

Les modèles Ultralytics YOLO, comme le dernier Ultralytics YOLO11, prennent en charge diverses tâches de vision par ordinateur, telles que la détection d’objets, la classification d’images et la segmentation d’instances. Chacune de ces tâches vise à reproduire un aspect spécifique de la vision humaine, permettant ainsi aux machines de voir et d’interpréter le monde qui les entoure.

Par exemple, imagine comment un élève dans un cours d’arts peut prendre un crayon et tracer le contour d’un objet dans un dessin. En coulisses, son cerveau effectue une segmentation : il distingue l’objet de l’arrière-plan et des autres éléments. La segmentation d’images atteint un objectif similaire grâce à l’intelligence artificielle (IA), en décomposant les données visuelles en parties significatives que les machines peuvent comprendre. Cette technique peut être utilisée dans de nombreuses applications et dans de nombreux secteurs.

Fig. 1. Ultralytics YOLO11 utilisé pour segmenter des objets dans une image.

Un exemple pratique est la segmentation de pièces automobiles. En identifiant et en catégorisant des composants spécifiques d’un véhicule, la segmentation d’images peut rationaliser les processus dans des secteurs tels que la fabrication automobile, la réparation et la création de catalogues e-commerce.

Dans cet article, nous allons voir comment utiliser Ultralytics YOLO11, Google Colab et le jeu de données Roboflow Carparts Segmentation pour créer une solution capable d’identifier et de segmenter précisément des pièces automobiles.

Ultralytics YOLO11 est facile à utiliser#

Ultralytics YOLO11 est disponible sous forme de modèle préentraîné sur le jeu de données COCO, qui couvre 80 classes d’objets différentes. Cependant, pour des applications spécifiques, comme la segmentation de pièces automobiles, le modèle peut être entraîné sur mesure afin de mieux s’adapter à ton jeu de données et à ton cas d’utilisation. Cette flexibilité permet à YOLO11 d’être performant aussi bien pour les tâches généralistes que pour les tâches hautement spécialisées.

L’entraînement personnalisé consiste à utiliser le modèle Ultralytics YOLO11 préentraîné et à l’affiner sur un nouveau jeu de données. En lui fournissant des exemples annotés propres à ta tâche, le modèle apprend à reconnaître et à segmenter les objets spécifiques à ton projet. L’entraînement personnalisé garantit une meilleure précision et une plus grande pertinence que l’utilisation de poids préentraînés génériques.

La configuration d’Ultralytics YOLO11 pour un entraînement personnalisé est simple. Avec une configuration minimale, tu peux charger le modèle et le jeu de données, lancer l’entraînement et suivre des métriques comme la perte et la précision pendant le processus. YOLO11 inclut également des outils intégrés de validation et d’évaluation, ce qui facilite l’analyse des performances de ton modèle.

Exécuter Ultralytics YOLO11 sur Google Colab#

Pour entraîner Ultralytics YOLO11 sur mesure, tu peux configurer ton environnement de plusieurs façons. L’une des options les plus accessibles et pratiques est Google Colab. Voici quelques avantages de l’utilisation de Google Colab pour entraîner YOLO11 :

• Accès gratuit aux ressources : Google Colab fournit des GPU (unités de traitement graphique) et des TPU (unités de traitement tensoriel), ce qui te permet d’entraîner Ultralytics YOLO11 sans matériel coûteux.
• Environnement collaboratif : Google Colab t’aide à partager des notebooks, à stocker ton travail dans Google Drive et à simplifier le travail d’équipe grâce à une collaboration et un suivi des versions facilités.
• Bibliothèques préinstallées : Avec des outils préinstallés tels que PyTorch et TensorFlow, Google Colab simplifie la configuration et t’aide à démarrer rapidement.
• Intégration au cloud : Tu peux facilement charger des jeux de données depuis Google Drive, GitHub ou d’autres sources cloud, ce qui simplifie la préparation et le stockage des données.

Fig. 2. Le notebook Ultralytics YOLO11 de Google Colab.

Ultralytics propose également un notebook Google Colab préconfiguré spécifiquement pour l’entraînement de YOLO11. Ce notebook inclut tout ce dont tu as besoin, de l’entraînement du modèle à l’évaluation de ses performances, ce qui rend le processus simple et facile à suivre. C’est un excellent point de départ qui te permet de te concentrer sur l’affinage du modèle pour répondre à tes besoins spécifiques, sans te soucier des étapes de configuration complexes.

Présentation du jeu de données Roboflow Carparts Segmentation#

Après avoir choisi ton environnement d’entraînement, l’étape suivante consiste à recueillir des données ou à sélectionner un jeu de données adapté à la segmentation de pièces automobiles. Le jeu de données Carparts Segmentation de Roboflow, disponible sur Roboflow Universe, est géré par Roboflow, une plateforme qui fournit des outils pour créer, entraîner et déployer des modèles de vision par ordinateur. Ce jeu de données comprend 3 156 images d’entraînement, 401 images de validation et 276 images de test, toutes dotées d’annotations de haute qualité pour des pièces automobiles comme les pare-chocs, les portières, les rétroviseurs et les roues.

Normalement, tu devrais télécharger le jeu de données depuis Roboflow Universe et le configurer manuellement pour l’entraînement sur Google Colab. Cependant, le package Python Ultralytics simplifie ce processus grâce à une intégration fluide et à des outils préconfigurés.

Fig. 3. Exemples issus du jeu de données de segmentation de pièces automobiles.

Avec Ultralytics, le jeu de données est prêt à l’emploi grâce à un fichier YAML préconfiguré qui contient les chemins d’accès aux données, les étiquettes des classes et d’autres paramètres d’entraînement. La configuration est ainsi prise en charge pour toi, ce qui te permet de charger rapidement le jeu de données et de commencer directement l’entraînement de ton modèle. De plus, le jeu de données est organisé en ensembles distincts d’entraînement, de validation et de test, ce qui facilite le suivi de la progression et l’évaluation des performances.

En combinant le jeu de données Roboflow Carparts Segmentation aux outils fournis par Ultralytics YOLO11, tu disposes d’un flux de travail fluide pour créer efficacement des modèles de segmentation sur des plateformes comme Google Colab. Cette approche réduit le temps de configuration et te permet de te concentrer sur l’amélioration de ton modèle pour des applications concrètes.

Applications concrètes de la segmentation de pièces automobiles#

La segmentation de pièces automobiles offre de nombreuses utilisations pratiques dans différents secteurs. Par exemple, dans les ateliers de réparation, elle peut aider à identifier et à catégoriser rapidement les composants endommagés afin de rendre les réparations plus rapides et plus efficaces. De même, dans le secteur de l’assurance, les modèles de segmentation peuvent automatiser l’évaluation des sinistres en analysant des images de véhicules endommagés pour identifier les pièces touchées. Cela accélère le traitement des sinistres, réduit les erreurs et fait gagner du temps aux assureurs comme aux clients.

Fig. 4. Segmentation de pièces automobiles avec YOLO.

Dans le domaine de la fabrication, la segmentation contribue au contrôle qualité en inspectant les pièces automobiles pour détecter les défauts, garantir la constance et réduire les déchets. Ces applications montrent comment la segmentation de pièces automobiles peut transformer les secteurs en rendant les processus plus sûrs, plus rapides et plus précis.

Guide étape par étape : utiliser Ultralytics YOLO11 sur Google Colab#

Maintenant que nous avons abordé tous les détails, il est temps de tout mettre en pratique. Pour commencer, tu peux consulter notre vidéo YouTube, qui te guide tout au long du processus de configuration, d’entraînement et de validation d’un modèle Ultralytics YOLO11 pour la segmentation de pièces automobiles.

Voici un aperçu rapide des étapes à suivre :

• Configurer ton environnement sur Google Colab : active la prise en charge des GPU et installe le package Python Ultralytics pour préparer l’entraînement du modèle.
• Charger le modèle Ultralytics YOLO11 : commence avec un modèle de segmentation YOLO11 préentraîné pour gagner du temps et tirer parti des fonctionnalités existantes pour la segmentation de pièces automobiles.
• Entraîner le modèle avec le jeu de données : utilise le fichier « carparts-seg.yaml » pendant l’entraînement pour télécharger, configurer et utiliser automatiquement le jeu de données Roboflow Carparts Segmentation. Ajuste des paramètres comme le nombre d’époques, la taille des images et la taille des lots pour affiner le modèle.
• Suivre la progression de l’entraînement : surveille les principales métriques de performance, comme la perte de segmentation et la précision moyenne (mAP), pour t’assurer que le modèle s’améliore comme prévu.
• Valider et déployer le modèle : teste le modèle entraîné sur l’ensemble de validation pour confirmer sa précision, puis exporte-le pour des applications concrètes comme le contrôle qualité ou le traitement des sinistres d’assurance.

Avantages d’Ultralytics YOLO11 pour la segmentation de pièces automobiles#

Ultralytics YOLO11 est un outil fiable et efficace pour la segmentation de pièces automobiles. Il offre de nombreux avantages qui le rendent idéal pour diverses applications concrètes. Voici les principaux avantages :

• Vitesse et efficacité : Ultralytics YOLO11 traite rapidement les images tout en maintenant une grande précision, ce qui le rend adapté aux tâches en temps réel comme le contrôle qualité et les véhicules autonomes.
• Grande précision : le modèle excelle dans la détection et la segmentation de plusieurs objets au sein d’une même image, garantissant une identification précise des pièces automobiles.
• Évolutivité : Ultralytics YOLO11 peut gérer de grands jeux de données et des tâches de segmentation complexes, ce qui le rend évolutif pour les applications industrielles.
• Nombreuses intégrations : Ultralytics prend en charge les intégrations avec des plateformes comme Google Colab, Ultralytics HUB et d’autres outils populaires, ce qui améliore la flexibilité et l’accessibilité pour les développeurs.

Conseils pour utiliser Ultralytics YOLO11 sur Google Colab#

Même si Google Colab facilite considérablement la gestion des flux de travail de machine learning, il peut te falloir un peu de temps pour t’y habituer si tu débutes. La configuration cloud, les paramètres d’exécution et les limites de session peuvent sembler complexes au départ, mais quelques conseils peuvent rendre les choses beaucoup plus simples.

Voici quelques points à garder à l’esprit :

• Commence par activer l’accélération GPU dans les paramètres d’exécution afin d’accélérer l’entraînement.
• Comme Colab s’exécute dans le cloud, assure-toi de disposer d’une connexion Internet stable pour accéder aux ressources comme les jeux de données et les dépôts.
• Organise tes fichiers et tes jeux de données dans Google Drive ou GitHub afin de pouvoir les charger et les gérer facilement dans Colab.
• Si tu rencontres des limitations de mémoire avec l’offre gratuite de Colab, essaie de réduire la taille des images ou des lots pendant l’entraînement.
• Pense à enregistrer régulièrement ton modèle et tes résultats, car les sessions Colab sont limitées dans le temps et tu ne voudrais pas perdre ta progression.

Va plus loin avec Ultralytics YOLO11#

Ultralytics YOLO11, associé à des plateformes comme Google Colab et à des jeux de données comme Roboflow Carparts Segmentation, rend la segmentation d’images simple et accessible. Grâce à ses outils intuitifs, à ses modèles préentraînés et à sa configuration facile, YOLO11 te permet de te lancer aisément dans des tâches avancées de vision par ordinateur.

Que tu cherches à améliorer la sécurité automobile, à optimiser la fabrication ou à créer des applications d’IA innovantes, cette combinaison te fournit les outils nécessaires pour réussir. Avec Ultralytics YOLO11, tu ne te contentes pas de créer des modèles : tu contribues à ouvrir la voie à des solutions plus intelligentes et plus efficaces dans le monde réel.

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. 🚀