Segmentation d’images avec Ultralytics YOLO11 sur Google Colab

Les modèles Ultralytics YOLO, comme Ultralytics YOLO11 et son successeur Ultralytics YOLO26, prennent en charge diverses tâches de vision par ordinateur, comme la détection d’objets, la segmentation d’instances et la classification d’images. Chacune de ces tâches vise à reproduire un aspect particulier de la vision humaine, afin que les machines puissent voir et interpréter le monde qui les entoure.

Par exemple, imagine un élève en cours d’arts plastiques qui prend un crayon et trace le contour d’un objet sur 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 poursuit un objectif similaire au moyen de l’intelligence artificielle (AI), en décomposant les données visuelles en parties porteuses de sens que les machines peuvent comprendre. Cette technique peut servir à de nombreuses applications dans différents secteurs.

Fig. 1. Utilisation d’Ultralytics YOLO11 pour segmenter des objets dans une image.

Un exemple pratique est la segmentation de pièces automobiles. En identifiant et en catégorisant les composants spécifiques d’un véhicule, la segmentation d’images peut rationaliser les processus dans des secteurs comme la fabrication automobile, la réparation et le catalogage pour le commerce électronique.

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 avec précision les pièces automobiles.

Ultralytics YOLO11 est facile à utiliser#

Ultralytics YOLO11 est disponible sous la forme d’un 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, tu peux entraîner le modèle sur mesure afin qu’il soit mieux adapté à ton jeu de données et à ton cas d’usage. Cette flexibilité permet à YOLO11 d’être performant aussi bien pour des tâches généralistes que hautement spécialisées.

L’entraînement personnalisé consiste à partir du modèle Ultralytics YOLO11 préentraîné et à l’ajuster sur un nouveau jeu de données. En fournissant des exemples annotés adaptés à ta tâche, tu apprends au modèle à reconnaître et à segmenter les objets propres à ton projet. L’entraînement personnalisé offre généralement une meilleure précision et une meilleure pertinence que l’utilisation de poids préentraînés génériques.

La configuration d’Ultralytics YOLO11 pour l’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, qui facilitent l’analyse des performances de ton modèle.

Exécuter Ultralytics YOLO11 sur Google Colab#

Pour entraîner Ultralytics YOLO11 sur mesure, plusieurs options s’offrent à toi pour configurer un environnement. Google Colab est l’un des choix les plus accessibles et pratiques. Voici quelques avantages de l’utilisation de Google Colab pour entraîner YOLO11 :

• Accès gratuit aux ressources : Google Colab fournit des GPU (processeurs graphiques) et des TPU (processeurs tensoriels), ce qui te permet d’entraîner Ultralytics YOLO11 sans matériel coûteux.
• Environnement collaboratif : Google Colab te permet de partager des notebooks, de stocker ton travail dans Google Drive et de faciliter le travail d’équipe grâce à la collaboration et au suivi des versions.
• Bibliothèques préinstallées : avec des outils préinstallés comme PyTorch et TensorFlow, Google Colab simplifie la configuration et te permet de 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 comprend tout ce dont tu as besoin, de l’entraînement du modèle à l’évaluation des performances, pour rendre 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 en fonction de 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 rassembler des données ou à choisir 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 annotées avec précision pour des pièces automobiles comme les pare-chocs, les portières, les rétroviseurs et les roues.

En général, il faudrait télécharger le jeu de données depuis Roboflow Universe et le configurer manuellement pour l’entraînement sur Google Colab. Cependant, le paquet Python Ultralytics simplifie ce processus grâce à la configuration intégrée des jeux de données.

Fig. 3. Exemples tirés 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 inclut les chemins d’accès aux données, les étiquettes de classe et d’autres paramètres d’entraînement. La configuration est ainsi prise en charge, ce qui te permet de charger rapidement le jeu de données et de passer directement à 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 utilisant le jeu de données Roboflow Carparts Segmentation avec les outils fournis par Ultralytics YOLO11, tu disposes d’un flux de travail simplifié 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 a de nombreuses applications 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 repérer les pièces touchées. Cela accélère le traitement des demandes d’indemnisation, 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 cohérence et réduire le gaspillage. 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 pas à pas : utiliser Ultralytics YOLO11 sur Google Colab#

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

Voici un bref aperçu des étapes à suivre :

• Configurer ton environnement sur Google Colab : active la prise en charge du 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 réutiliser les caractéristiques apprises pour segmenter des 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 vérifier 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 demandes d’indemnisation.

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 plusieurs avantages qui le rendent idéal pour diverses applications concrètes. Voici ses principaux avantages :

• Rapidité et efficacité : Ultralytics YOLO11 traite rapidement les images tout en conservant 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 dans 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.
• Plusieurs intégrations : Ultralytics prend en charge l’intégration à des plateformes comme Google Colab, Ultralytics HUB (maintenant Ultralytics Platform) et d’autres outils populaires, ce qui offre plus de flexibilité et facilite l’accès des développeurs.

Conseils pour utiliser Ultralytics YOLO11 sur Google Colab#

Google Colab facilite considérablement la gestion des processus de travail en machine learning, mais il peut falloir un peu de temps pour s’y habituer si tu débutes. La configuration dans le cloud, les paramètres d’exécution et les limites de session peuvent sembler compliqués au départ, mais quelques conseils peuvent grandement simplifier les choses.

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 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 pour faciliter leur chargement et leur gestion dans Colab.
• Si tu rencontres des limites de mémoire avec l’offre gratuite de Colab, essaie de réduire la taille des images ou la taille des lots pendant l’entraînement.
• N’oublie pas d’enregistrer régulièrement ton modèle et tes résultats, car les sessions Colab ont une durée limitée et tu ne voudrais pas perdre ton travail.

Obtiens de meilleurs résultats 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 pré-entraînés 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 peux créer des solutions pratiques et efficaces pour résoudre des problèmes concrets.

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