Exécuter des modèles de détection et de segmentation d’objets Ultralytics en quelques lignes de code

Dans cet article, nous allons examiner les capacités des modèles Ultralytics YOLOv5 et YOLOv8 en matière de détection d’objets et de segmentation. Nous verrons comment intégrer facilement ces modèles à tes projets en quelques lignes de code. Que tu sois débutant ou développeur expérimenté, tu découvriras comment Ultralytics prend en charge différents modèles et architectures, notamment plusieurs versions de YOLO et des modèles basés sur des Transformers.

Dans sa vidéo, Nicolai Nielsen explique comment configurer et utiliser différents modèles dans le framework Ultralytics. Voyons le processus étape par étape et comment démarrer avec ces outils.

Premiers pas avec les modèles Ultralytics#

Ultralytics propose un framework complet qui prend en charge plusieurs modèles de détection d’objets et de segmentation. Il comprend les modèles YOLO les plus populaires, de YOLOv3 à YOLOv8 (remplacé depuis par YOLO26), ainsi que YOLO-NAS et les modèles SAM. Ces modèles sont conçus pour effectuer diverses tâches comme la détection en temps réel, la segmentation et l’estimation de pose.

Pour commencer, consulte la page de documentation d’Ultralytics. Tu y trouveras des informations détaillées sur chaque modèle, notamment ses principales caractéristiques, son architecture et son utilisation dans tes scripts Python.

Configurer ton environnement#

Commence par vérifier que tu as installé Ultralytics. Pour cela, exécute la commande suivante :

pip install ultralytics

Une fois cette étape terminée, tu peux utiliser ces modèles dans tes projets. Commençons par prendre le modèle YOLOv8 d’Ultralytics comme exemple.

Principales caractéristiques d’Ultralytics YOLOv8#

Ultralytics YOLOv8 apporte plusieurs améliorations par rapport à ses prédécesseurs. Il est conçu pour être plus rapide et plus précis, ce qui le rend particulièrement adapté aux applications en temps réel. Voici quelques-unes de ses principales caractéristiques :

• Amélioration de la vitesse et de la précision
• Des poids préentraînés pour plusieurs tâches
• Prise en charge de la détection d’objets, de la segmentation et de la classification
• Une architecture de modèle améliorée pour de meilleures performances

Exécuter YOLOv8 d’Ultralytics dans Python#

Voici comment commencer à utiliser YOLOv8 d’Ultralytics avec seulement quelques lignes de code :

from ultralytics import YOLO

# Charger un modèle YOLOv8 préentraîné
model = YOLO("yolov8n.pt")

# Effectuer une inférence sur une image
results = model("path/to/image.jpg")

Et voilà ! Tu viens d’effectuer une inférence avec un modèle YOLOv8 sur une image. Cette simplicité rend les modèles Ultralytics si faciles à utiliser.

Détection en direct avec une webcam#

Tu veux voir YOLOv8 d’Ultralytics à l’œuvre sur le flux en direct d’une webcam ? Voici comment faire :

from ultralytics import YOLO

# Charger un modèle YOLOv8 préentraîné
model = YOLO("yolov8n.pt")

# Effectuer une inférence sur le flux de la webcam (source=0) et afficher les résultats
results = model.predict(source=0, show=True)

Ce script ouvrira ta webcam et appliquera le modèle Ultralytics YOLOv8 pour détecter des objets en temps réel.

Fig. 1. Nicolai Nielsen explique comment exécuter les modèles Ultralytics de détection d’objets et de segmentation.

Découvrir d’autres modèles#

Ultralytics ne s’arrête pas à YOLOv8. Le framework prend également en charge divers autres modèles comme YOLOv5, YOLO-NAS et les modèles basés sur des Transformers pour la détection en temps réel. Chaque modèle a ses propres points forts et cas d’utilisation.

Les modèles Transformer et leur exécution#

Le modèle RT-DETR, développé par Baidu et pris en charge par Ultralytics, est un détecteur d’objets de pointe de bout en bout qui offre des performances en temps réel et une grande précision. Il utilise un réseau de base basé sur des convolutions et un encodeur hybride efficace pour atteindre une vitesse adaptée au temps réel. Il excelle avec CUDA et TensorRT et permet d’ajuster la vitesse d’inférence avec souplesse.

Voici comment exécuter un modèle RT-DETR :

from ultralytics import RTDETR

# Charger un modèle RT-DETR-l préentraîné sur COCO
model = RTDETR("rtdetr-l.pt")

# Effectuer une inférence sur une image
results = model("path/to/image.jpg")

Modèles Segment Anything#

Ultralytics propose également des modèles pour les tâches de segmentation, comme MobileSAM et FastSAM. Ces modèles sont conçus pour segmenter tous les éléments d’une image et fournir des informations détaillées sur la scène.

Exécuter FastSAM#

FastSAM est optimisé pour la segmentation en temps réel. Voici comment l’exécuter :

from ultralytics import FastSAM

# Créer un modèle FastSAM
model = FastSAM("FastSAM-s.pt")  # ou FastSAM-x.pt

# Effectuer une inférence sur une image
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

Ce modèle convient parfaitement aux applications qui exigent une segmentation rapide et précise.

Performances et comparaisons#

L’écosystème Ultralytics offre une fonctionnalité pratique : comparer différents modèles côte à côte. Tu peux déterminer lequel convient le mieux à ton application en examinant des métriques de performance comme la vitesse d’inférence et la précision moyenne moyenne (mAP).

Principaux points à retenir#

Ultralytics facilite l’exécution de modèles de détection d’objets et de segmentation avec seulement quelques lignes de code. Que tu travailles sur des applications en temps réel ou que tu aies besoin de modèles très précis, Ultralytics a une solution pour toi. Consulte le tutoriel complet de Nicolai Nielsen sur la chaîne YouTube d’Ultralytics pour obtenir davantage d’informations et d’exemples.

Reste à l’affût des prochains tutoriels et actualités de la communauté Ultralytics !