Exécution des modèles de détection et de segmentation d'objets d'Ultralytics en quelques lignes de code

Démarrer avec les modèles Ultralytics

Ultralytics offre un cadre complet qui prend en charge plusieurs modèles de détection et de segmentation d'objets. Cela inclut les modèles populaires YOLO, allant de YOLOv3 à la dernière version YOLOv8, ainsi que les modèles YOLO-NAS et SAM. Ces modèles sont conçus pour gérer une variété de tâches telles que la détection en temps réel, la segmentation et l'estimation de la pose.

Pour commencer, visitez la page de documentation d'Ultralytics. Vous y trouverez des informations détaillées sur chaque modèle, y compris leurs caractéristiques principales, leurs architectures et comment les utiliser dans vos scripts Python.

Mise en place de l'environnement

Tout d'abord, assurez-vous que Ultralytics est installé. Vous pouvez le faire en exécutant :

bash

Copier le code

Une fois cela fait, vous pouvez commencer à utiliser ces modèles dans vos projets. Commençons par le modèle YOLOv8 à titre d'exemple.

Principales caractéristiques de YOLOv8

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

• Vitesse et précision accrues
• Poids pré-entraînés pour des tâches multiples
• Prise en charge de la détection, de la segmentation et de la classification des objets
• Architecture du modèle améliorée pour de meilleures performances

Exécuter YOLOv8 en Python

Voici comment vous pouvez commencer à utiliser YOLOv8 en quelques lignes de code :

Copier le code

Voilà, c'est fait ! Vous venez d'exécuter un modèle YOLOv8 sur une image. C'est cette simplicité qui rend les modèles Ultralytics si puissants et si conviviaux.

Détection de la webcam en direct

Vous voulez voir YOLOv8 en action sur une webcam en direct ? Voici comment faire :

python

Copier le code

Ce script ouvre votre webcam et applique le modèle YOLOv8 pour détecter les objets en temps réel.

Explorer d'autres modèles

Ultralytics ne s'arrête pas à YOLOv8. Il prend également en charge divers autres modèles tels que YOLOv5, YOLO-NAS et les modèles basés sur les transformateurs pour la détection en temps réel. Chaque modèle a ses propres points forts et ses propres cas d'utilisation.

Modèles de transformateurs et leur fonctionnement

Le modèle RT-DETR développé par Baidu et soutenu par Ultralytics est un détecteur d'objets de bout en bout à la pointe de la technologie qui offre des performances en temps réel et une grande précision. Il utilise une épine dorsale basée sur les conv et un encodeur hybride efficace pour la vitesse en temps réel, excellant sur CUDA avec TensorRT, et prend en charge l'ajustement flexible de la vitesse d'inférence.

Voici comment exécuter un modèle RT-DETR :

Copier le code

Exécution de FastSAM

FastSAM est optimisé pour la segmentation en temps réel, et voici comment vous pouvez l'utiliser :

Copier le code

Ce modèle est parfait pour les applications qui nécessitent une segmentation rapide et précise.

Performances et comparaisons

L'une des grandes caractéristiques du cadre Ultralytics est la possibilité de comparer différents modèles côte à côte. Vous pouvez facilement déterminer quel modèle fonctionne le mieux pour votre application spécifique en examinant les mesures de performance telles que la vitesse d'inférence et la précision moyenne (mAP).

Principaux enseignements

Ultralytics rend incroyablement facile l'exécution de modèles de détection et de segmentation d'objets avec seulement quelques lignes de code. Que vous travailliez sur des applications en temps réel ou que vous ayez besoin de modèles de haute précision, Ultralytics a une solution pour vous. N'oubliez pas de consulter le tutoriel complet de Nicolai Nielsen sur la chaîne YouTube d'Ultralytics pour obtenir des informations et des exemples plus détaillés.

Restez à l'écoute pour plus de tutoriels et de mises à jour de la part de la communauté Ultralytics !