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

Bienvenue dans un nouvel article de blog où nous allons explorer les capacités des modèles YOLOv5 d’Ultralytics et YOLOv8 en matière de détection d’objets et de segmentation. Nous verrons comment intégrer ces modèles faciles à utiliser dans tes projets avec seulement quelques lignes de code. Que tu sois débutant ou développeur expérimenté, tu découvriras comment Ultralytics prend en charge divers modèles et architectures, notamment différentes versions de YOLO et des modèles basés sur Transformer.

Dans sa vidéo, Nicolai Nielsen nous guide tout au long du processus de configuration et d’utilisation de différents modèles dans le framework Ultralytics. Détaillons chaque étape pour voir comment tu peux commencer à utiliser ces outils remarquables.

Premiers pas avec les modèles Ultralytics#

Ultralytics propose un framework complet qui prend en charge plusieurs modèles de détection et de segmentation d’objets. Cela inclut les modèles YOLO populaires, de YOLOv3 jusqu’au dernier YOLOv8, ainsi que YOLO-NAS et les modèles SAM. Ces modèles sont conçus pour gérer diverses tâches telles que la détection en temps réel, la segmentation et l’estimation de pose.

Pour commencer, consulte la page de documentation Ultralytics. Tu y trouveras des informations détaillées sur chaque modèle, notamment leurs fonctionnalités clés, leurs architectures et leur utilisation dans tes scripts Python.

Configuration de 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 commencer à utiliser ces modèles dans tes projets. Prenons le modèle Ultralytics YOLOv8 comme exemple.

Principales fonctionnalités 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 idéal pour les applications en temps réel. Voici quelques-unes de ses principales fonctionnalités :

• Vitesse et précision accrues
• Poids préentraînés pour plusieurs tâches
• Prise en charge de la détection, de la segmentation et de la classification d’objets
• Architecture de modèle améliorée pour de meilleures performances

Exécuter Ultralytics YOLOv8 en Python#

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

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

C’est tout ! Tu viens d’exécuter un modèle YOLOv8 sur une image. Cette simplicité rend les modèles Ultralytics si puissants et faciles à utiliser.

Détection en direct avec une webcam#

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

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on the webcam feed (source=0) and display the results
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 expliquant comment exécuter les modèles Ultralytics de détection et de segmentation d’objets.

Découvrir d’autres modèles#

Ultralytics ne s’arrête pas à YOLOv8. La plateforme prend également en charge d’autres modèles, comme YOLOv5, YOLO-NAS et des modèles basés sur Transformer pour la détection en temps réel. Chaque modèle possède ses propres points forts et cas d’utilisation.

Modèles Transformer et procédure d’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 backbone basé sur des convolutions et un encodeur hybride efficace pour atteindre une vitesse en temps réel. Il excelle sur CUDA avec TensorRT et prend en charge l’ajustement flexible de la vitesse d’inférence.

Voici comment exécuter un modèle RT-DETR :

from ultralytics import RTDETR

# Load a COCO-pretrained RT-DETR-l model
model = RTDETR("rtdetr-l.pt")

# Run inference on an image
results = model("path/to/image.jpg")

Modèles Segment Anything#

Ultralytics propose également des modèles pour les tâches de segmentation, tels que MobileSAM et FastSAM. Ces modèles sont conçus pour segmenter tout ce qui apparaît dans 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

# Create a FastSAM model
model = FastSAM("FastSAM-s.pt")  # or FastSAM-x.pt

# Run inference on an image
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

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

Performances et comparaisons#

L’une des fonctionnalités les plus intéressantes du framework Ultralytics est la possibilité de comparer différents modèles côte à côte. Tu peux facilement déterminer quel modèle convient le mieux à ton application spécifique en examinant des métriques de performance telles que la vitesse d’inférence et la précision moyenne (mAP).

Points essentiels à retenir#

Ultralytics permet d’exécuter très facilement des modèles de détection et de segmentation d’objets 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. Pense à regarder le tutoriel complet de Nicolai Nielsen sur la chaîne YouTube d’Ultralytics pour obtenir davantage d’informations et d’exemples.

Reste à l’écoute pour découvrir d’autres tutoriels et mises à jour de la communauté Ultralytics !