Segmentation d'images avec Ultralytics YOLO11 sur Google Colab

Les modèles Ultralytics YOLO, comme le tout dernier Ultralytics YOLO11, prennent en charge une variété de 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 aux machines de voir et d'interpréter le monde qui les entoure.

Par exemple, imagine un étudiant en cours d'art qui prend un crayon pour dessiner le contour d'un objet. En arrière-plan, son cerveau effectue une segmentation : il distingue l'objet de l'arrière-plan et des autres éléments. La segmentation d'image atteint un objectif similaire en utilisant l'intelligence artificielle (IA), en décomposant les données visuelles en parties significatives pour que les machines puissent les comprendre. Cette technique peut être utilisée dans diverses applications à travers de nombreuses industries.

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 classant des composants spécifiques d'un véhicule, la segmentation d'image peut rationaliser les processus dans des secteurs comme la fabrication automobile, la réparation et le catalogage e-commerce.

Dans cet article, nous explorerons comment tu peux utiliser Ultralytics YOLO11, Google Colab et le jeu de données Roboflow Carparts Segmentation pour construire une solution capable d'identifier et de segmenter précisément les pièces automobiles.

Link to this sectionUltralytics YOLO11 est facile à utiliser#

Ultralytics YOLO11 est disponible en tant que modèle pré-entraîné sur le jeu de données COCO, couvrant 80 classes d'objets différentes. Cependant, pour des applications spécifiques, telles que la segmentation de pièces automobiles, le modèle peut être entraîné sur mesure pour mieux s'adapter à ton jeu de données et à ton cas d'usage. Cette flexibilité permet à YOLO11 d'être performant tant dans des tâches générales que dans des tâches hautement spécialisées.

L'entraînement personnalisé implique l'utilisation du modèle YOLO11 pré-entraîné et son ajustement sur un nouveau jeu de données. En fournissant des exemples étiquetés spécifiques à ta tâche, le modèle apprend à reconnaître et à segmenter des objets uniques à ton projet. L'entraînement personnalisé garantit une précision et une pertinence supérieures par rapport à l'utilisation de poids génériques pré-entraînés.

La configuration de YOLO11 pour un entraînement personnalisé est simple. Avec une configuration minimale, tu peux charger le modèle et le jeu de données, commencer l'entraînement et surveiller des mesures comme la perte (loss) et la précision pendant le processus. YOLO11 inclut également des outils intégrés pour la validation et l'évaluation, ce qui facilite l'évaluation des performances de ton modèle.

Link to this sectionExécuter Ultralytics YOLO11 sur Google Colab#

Lors de l'entraînement personnalisé de YOLO11, il existe plusieurs options pour configurer un environnement. L'un des choix les plus accessibles et pratiques est Google Colab. Voici quelques avantages de l'utilisation de Google Colab pour l'entraînement de YOLO11 :

• Accès gratuit aux ressources : Google Colab fournit des GPU (Graphics Processing Units) et des TPU (Tensor Processing Units), te permettant d'entraîner 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 facile et au suivi des versions.
• Bibliothèques pré-installées : Avec des outils pré-installés tels que PyTorch et TensorFlow, Google Colab simplifie le processus de configuration et t'aide à démarrer rapidement.
• Intégration cloud : Tu peux facilement charger des jeux de données depuis Google Drive, GitHub ou d'autres sources cloud, simplifiant ainsi la préparation et le stockage des données.

Fig 2. Le notebook Google Colab YOLO11.

Ultralytics propose également un notebook Google Colab pré-configuré spécifiquement pour l'entraînement YOLO11. Ce notebook inclut tout ce dont tu as besoin, de l'entraînement du modèle à l'évaluation des performances, rendant le processus simple et facile à suivre. C'est un excellent point de départ qui te permet de te concentrer sur l'ajustement du modèle à tes besoins spécifiques sans t'inquiéter des étapes de configuration compliquées.

Link to this sectionPrésentation du jeu de données Roboflow Carparts Segmentation#

Après avoir choisi ton environnement d'entraînement, l'étape suivante consiste à rassembler des données ou à choisir un jeu de données approprié pour la segmentation des pièces automobiles. Le jeu de données Carparts Segmentation de Roboflow, disponible sur Roboflow Universe, est maintenu par Roboflow, une plateforme qui fournit des outils pour construire, 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 avec des annotations de haute qualité pour les pièces automobiles telles que les pare-chocs, les portes, les rétroviseurs et les roues.

Normalement, tu aurais besoin de télécharger le jeu de données depuis Roboflow Universe et de le configurer manuellement pour l'entraînement sur Google Colab. Cependant, le package Python Ultralytics simplifie ce processus en offrant une intégration transparente et des outils pré-configurés.

Fig 3. Exemples 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 pré-configuré qui inclut les chemins d'accès au jeu de données, les étiquettes de classe et d'autres paramètres d'entraînement. Cela s'occupe de la configuration pour toi, afin que tu puisses charger rapidement le jeu de données et passer directement à l'entraînement de ton modèle. De plus, le jeu de données est structuré avec des ensembles dédiés pour l'entraînement, la validation et le test, facilitant ainsi le suivi des progrès et l'évaluation des performances.

En tirant parti du jeu de données Roboflow Carparts Segmentation avec les outils fournis par Ultralytics YOLO11, tu disposes d'un flux de travail fluide pour construire des modèles de segmentation efficacement 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.

Link to this sectionApplications réelles de la segmentation de pièces automobiles#

La segmentation des pièces automobiles a diverses utilisations pratiques dans différentes industries. Par exemple, dans les ateliers de réparation, elle peut aider à identifier et classer rapidement les composants endommagés pour rendre le processus de réparation plus rapide et plus efficace. De même, dans l'industrie de l'assurance, les modèles de segmentation peuvent automatiser les évaluations de sinistres en analysant des images de véhicules endommagés pour identifier les pièces touchées. Cela accélère le processus de traitement des demandes, réduit les erreurs et permet d'économiser du temps pour les assureurs comme pour les clients.

Fig 4. Segmentation de pièces automobiles utilisant YOLO.

En ce qui concerne la fabrication, la segmentation soutient le contrôle qualité en inspectant les pièces automobiles pour détecter les défauts, garantissant la cohérence et réduisant le gaspillage. Ces applications montrent comment la segmentation des pièces automobiles peut transformer les industries en rendant les processus plus sûrs, plus rapides et plus précis.

Link to this sectionGuide étape par étape : utiliser YOLO11 sur Google Colab#

Maintenant que nous avons couvert tous les détails, il est temps de tout mettre en œuvre. Pour commencer, tu peux consulter notre vidéo YouTube, qui te guide à travers tout le processus de configuration, d'entraînement et de validation d'un modèle YOLO11 pour la segmentation de pièces automobiles.

Voici un aperçu rapide des étapes impliquées :

• Configure ton environnement sur Google Colab : Active le support GPU et installe le package Python Ultralytics pour préparer l'entraînement du modèle.
• Charge le modèle YOLO11 : Commence avec un modèle de segmentation YOLO11 pré-entraîné pour gagner du temps et tirer parti des fonctionnalités existantes pour la segmentation de pièces automobiles.
• Entraîne 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 les paramètres comme les époques (epochs), la taille de l'image et la taille des lots (batch size) pour affiner le modèle.
• Surveille la progression de l'entraînement : Suis les principales mesures de performance, telles que la perte de segmentation et la précision moyenne moyenne (mAP), pour t'assurer que le modèle s'améliore comme prévu.
• Valide et déploie le modèle : Teste le modèle entraîné sur l'ensemble de validation pour confirmer sa précision et exporte-le pour des applications concrètes comme le contrôle qualité ou le traitement des réclamations d'assurance.

Link to this sectionAvantages de l'utilisation de YOLO11 pour la segmentation de pièces automobiles#

YOLO11 est un outil fiable et efficace pour la segmentation de pièces automobiles, offrant une gamme d'avantages qui le rendent idéal pour diverses applications concrètes. Voici les principaux avantages :

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

Link to this sectionConseils pour travailler avec YOLO11 sur Google Colab#

Bien que Google Colab facilite grandement les flux de travail en apprentissage automatique, cela peut prendre un peu de temps à maîtriser si tu es novice. Naviguer dans la configuration basée sur le cloud, les paramètres d'exécution et les limites de session peut sembler délicat au début, mais voici quelques conseils qui peuvent rendre les choses beaucoup plus fluides.

Voici quelques points à garder à l'esprit :

• Commence par activer l'accélération GPU dans les paramètres d'exécution pour accélérer l'entraînement.
• Comme Colab s'exécute dans le cloud, assure-toi d'avoir 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 pour les rendre faciles à charger et à gérer au sein de Colab.
• Si tu rencontres des limitations de mémoire sur la version gratuite de Colab, essaie de réduire la taille de l'image ou la taille des lots (batch size) pendant l'entraînement.
• N'oublie pas de sauvegarder régulièrement ton modèle et tes résultats, car les sessions Colab ont des limites de temps, et tu ne veux pas perdre ta progression.

Link to this sectionAccomplis plus avec YOLO11#

Ultralytics YOLO11, combiné avec des plateformes comme Google Colab et des jeux de données comme le jeu de données Roboflow Carparts Segmentation, rend la segmentation d'image simple et accessible. Avec ses outils intuitifs, ses modèles pré-entraînés et sa configuration facile, YOLO11 te permet de plonger dans des tâches de vision par ordinateur avancées en toute simplicité.

Que tu améliores la sécurité automobile, optimises la fabrication ou construises des applications IA innovantes, cette combinaison fournit les outils pour t'aider à réussir. Avec Ultralytics YOLO11, tu ne construis pas seulement des modèles, tu ouvres la voie à des solutions plus intelligentes et plus efficaces dans le monde réel.

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