Détection d’objets avec un modèle Ultralytics YOLOv8 préentraîné

Dans ce tutoriel, nous présentons les modèles Ultralytics YOLO et expliquons comment les utiliser pour la détection d’objets.

Présentation du modèle Ultralytics YOLOv8#

Commençons par les fonctionnalités du modèle Ultralytics YOLOv8. Ce modèle marque une avancée importante dans le domaine de la détection d’objets, car il offre un excellent équilibre entre vitesse et précision. Par rapport aux modèles YOLO précédents, YOLOv8 accélère l’inférence sans compromettre la précision de détection.

Au fil de notre exploration, nous comparerons la vitesse d’inférence et la précision d’Ultralytics YOLOv8 à celles d’autres modèles YOLO, afin de montrer ses avantages pour la détection d’objets en temps réel. Avec YOLOv8, les utilisateurs peuvent s’attendre à une nette amélioration des performances dans un large éventail d’applications.

Utiliser les modèles Ultralytics YOLOv8 préentraînés#

La facilité d’utilisation est l’un des principaux atouts du modèle Ultralytics YOLOv8, en particulier avec les modèles préentraînés. Que tu sois développeur expert ou que tu débutes en vision par ordinateur, en apprentissage automatique ou en apprentissage profond, l’utilisation des modèles YOLOv8 préentraînés est simple.

Avec seulement deux lignes de code Python, tu peux exécuter un modèle Ultralytics YOLOv8 préentraîné pour détecter des objets. Il est ainsi facile d’intégrer des fonctionnalités de vision par ordinateur à tes projets en fournissant un minimum d’efforts.

Documentation et arguments d’Ultralytics YOLOv8#

Il est également utile de connaître les ressources disponibles pour le modèle Ultralytics YOLOv8. Nos prochains tutoriels aborderont divers sujets, notamment la détection personnalisée d’objets, le suivi d’objets, l’estimation de pose et la segmentation, afin de proposer des conseils complets aux utilisateurs de tous niveaux.

Fig. 1. Principales tâches effectuées par les modèles Ultralytics YOLO.

Nous présenterons également les principaux arguments de prédiction qui te permettront de tirer le meilleur parti d’Ultralytics YOLOv8. Comprendre ces arguments, comme la source, le seuil de confiance et le choix du périphérique, t’aidera à adapter tes modèles à des besoins précis.

Détection d’objets en temps réel avec une webcam#

Ultralytics YOLOv8 peut également effectuer la détection d’objets en temps réel à l’aide d’une webcam. Dans la vidéo, YOLOv8 détecte des objets dans le flux vidéo en direct d’une webcam à plus de 100 images par seconde.

Que tu surveilles une rue animée ou que tu suives des objets dans un environnement chaotique, Ultralytics YOLOv8 est performant dans les scénarios en temps réel. Grâce à sa capacité à détecter avec précision et efficacité un large éventail d’objets, YOLOv8 ouvre de nouvelles perspectives pour des applications dans divers secteurs, notamment la santé, l’agriculture et la fabrication.

Pour conclure#

En conclusion, YOLOv8 représente une avancée importante dans la détection d’objets. Chez Ultralytics, nous nous engageons à fournir aux développeurs et aux chercheurs des outils et des ressources pratiques pour l’apprentissage automatique et l’intelligence artificielle. YOLOv8 a depuis été remplacé par Ultralytics YOLO26, que tu peux exécuter avec la même API Python.

Regarde la vidéo complète et reste à l’affût de nouveaux tutoriels, guides et analyses. Rejoins notre communauté pour partager ce que tu crées avec Ultralytics YOLO !