L’évolution de la détection d’objets et des modèles YOLO d’Ultralytics

La vision par ordinateur est un sous-domaine de l’intelligence artificielle (AI) qui vise à apprendre aux machines à voir et à comprendre les images et les vidéos, de manière similaire à la perception du monde réel par les humains. Alors que reconnaître des objets ou identifier des actions est naturel pour les humains, ces tâches nécessitent des techniques de vision par ordinateur spécifiques et spécialisées lorsqu’il s’agit de machines. Par exemple, l’une des tâches clés de la vision par ordinateur est la détection d’objets, qui consiste à identifier et à localiser des objets dans des images ou des vidéos.

Depuis les années 1960, les chercheurs travaillent à améliorer la capacité des ordinateurs à détecter des objets. Les premières méthodes, comme la mise en correspondance de modèles, consistaient à faire glisser un modèle prédéfini sur une image pour trouver des correspondances. Bien qu’innovantes, ces approches rencontraient des difficultés face aux changements de taille et d’orientation des objets, ainsi qu’aux variations d’éclairage. Aujourd’hui, nous disposons de modèles avancés comme Ultralytics YOLO11, capables de détecter avec une précision impressionnante même les objets de petite taille et partiellement dissimulés, appelés objets occultés.

Alors que la vision par ordinateur continue d’évoluer, il est important de revenir sur le développement de ces technologies. Dans cet article, nous allons explorer l’évolution de la détection d’objets et mettre en lumière la transformation des modèles YOLO (You Only Look Once). Commençons !

Les origines de la vision par ordinateur#

Avant d’aborder la détection d’objets, voyons comment la vision par ordinateur a commencé. Les origines de la vision par ordinateur remontent à la fin des années 1950 et au début des années 1960, lorsque des scientifiques ont commencé à étudier la manière dont le cerveau traite les informations visuelles. Lors d’expériences sur des chats, les chercheurs David Hubel et Torsten Wiesel ont découvert que le cerveau réagit à des motifs simples comme les contours et les lignes. Cette découverte a constitué la base de l’idée à l’origine de l’extraction de caractéristiques : les systèmes visuels détectent et reconnaissent les caractéristiques élémentaires des images, comme les contours, avant de passer à des motifs plus complexes.

Fig. 1 L’étude de la réaction du cerveau d’un chat à des barres lumineuses a contribué au développement de l’extraction de caractéristiques en vision par ordinateur.

À peu près à la même époque, une nouvelle technologie est apparue, capable de convertir des images physiques en formats numériques, suscitant un intérêt pour la manière dont les machines pouvaient traiter les informations visuelles. En 1966, le projet Summer Vision du Massachusetts Institute of Technology (MIT) a approfondi ces travaux. Bien que le projet n’ait pas totalement abouti, il visait à créer un système capable de séparer le premier plan de l’arrière-plan dans des images. Pour de nombreux membres de la communauté de l’IA appliquée à la vision, ce projet marque le début officiel de la vision par ordinateur en tant que domaine scientifique.

Comprendre l’histoire de la détection d’objets#

À mesure que la vision par ordinateur progressait à la fin des années 1990 et au début des années 2000, les méthodes de détection d’objets sont passées de techniques élémentaires comme la mise en correspondance de modèles à des approches plus avancées. Une méthode populaire était Haar Cascade, largement utilisée pour des tâches comme la détection de visages. Elle fonctionnait en parcourant les images à l’aide d’une fenêtre glissante, en recherchant dans chaque section de l’image des caractéristiques spécifiques comme les contours ou les textures, puis en combinant ces caractéristiques pour détecter des objets tels que des visages. Haar Cascade était bien plus rapide que les méthodes précédentes.

Fig. 2 Utilisation de Haar Cascade pour la détection de visages.

Parallèlement, des méthodes comme l’histogramme des gradients orientés (HOG) et les machines à vecteurs de support (SVMs) ont également été introduites. HOG utilisait la technique de la fenêtre glissante pour analyser les variations de lumière et d’ombres dans de petites sections d’une image, ce qui aidait à identifier les objets en fonction de leur forme. Les SVMs classifiaient ensuite ces caractéristiques afin de déterminer l’identité de l’objet. Ces méthodes ont amélioré la précision, mais elles rencontraient encore des difficultés dans les environnements réels et étaient plus lentes que les techniques actuelles.

La nécessité de la détection d’objets en temps réel#

Dans les années 2010, l’essor de l’apprentissage profond et des réseaux neuronaux convolutifs (CNNs) a profondément transformé la détection d’objets. Les CNNs ont permis aux ordinateurs d’apprendre automatiquement des caractéristiques importantes à partir de grandes quantités de données, ce qui a considérablement amélioré la précision de la détection.

Les premiers modèles comme R-CNN (réseaux neuronaux convolutifs fondés sur des régions) ont représenté une amélioration majeure de la précision, en permettant d’identifier les objets avec davantage de précision que les méthodes précédentes.

Cependant, ces modèles étaient lents, car ils traitaient les images en plusieurs étapes, ce qui les rendait peu adaptés aux applications en temps réel dans des domaines comme les voitures autonomes ou la vidéosurveillance.

Pour accélérer le traitement, des modèles plus efficaces ont été développés. Des modèles comme Fast R-CNN et Faster R-CNN ont contribué à cette évolution en améliorant la sélection des régions d’intérêt et en réduisant le nombre d’étapes nécessaires à la détection. Même si cela a accéléré la détection d’objets, elle n’était toujours pas assez rapide pour de nombreuses applications concrètes nécessitant des résultats instantanés. La demande croissante en matière de détection en temps réel a favorisé le développement de solutions encore plus rapides et plus efficaces, capables de trouver un équilibre entre vitesse et précision.

Fig. 3. Comparaison des vitesses de R-CNN, Fast R-CNN et Faster R-CNN.

Les modèles YOLO (You Only Look Once) : une avancée majeure#

YOLO est un modèle de détection d’objets qui a redéfini la vision par ordinateur en permettant la détection en temps réel de plusieurs objets dans des images et des vidéos, ce qui le distingue fortement des méthodes de détection précédentes. Au lieu d’analyser chaque objet détecté individuellement, l’architecture de YOLO traite la détection d’objets comme une tâche unique, en prédisant à la fois l’emplacement et la classe des objets en une seule passe à l’aide de CNNs.

Le modèle fonctionne en divisant une image en une grille, chaque partie étant chargée de détecter les objets situés dans sa zone respective. Il effectue plusieurs prédictions pour chaque section et élimine les résultats les moins fiables, en ne conservant que les plus précis.

Fig. 4 Vue d’ensemble du fonctionnement de YOLO.

L’introduction de YOLO dans les applications de vision par ordinateur a rendu la détection d’objets bien plus rapide et efficace que celle des modèles précédents. Grâce à sa vitesse et à sa précision, YOLO est rapidement devenu un choix populaire pour les solutions en temps réel dans des secteurs comme l’industrie manufacturière, la santé et la robotique.

Autre point important : comme YOLO était open source, les développeurs et les chercheurs ont pu l’améliorer continuellement, ce qui a conduit à des versions encore plus avancées.

Le parcours de YOLO à Ultralytics YOLO11#

Les modèles YOLO se sont régulièrement améliorés au fil du temps, chaque version s’appuyant sur les avancées de la précédente. En plus d’offrir de meilleures performances, ces améliorations ont rendu les modèles plus faciles à utiliser pour des personnes ayant différents niveaux d’expérience technique.

Par exemple, lorsque Ultralytics YOLOv5 a été introduit, le déploiement des modèles est devenu plus simple avec PyTorch, permettant à un plus grand nombre d’utilisateurs de travailler avec une IA avancée. Il a combiné précision et facilité d’utilisation, donnant à davantage de personnes la possibilité de mettre en œuvre la détection d’objets sans devoir être expertes en programmation.

Fig. 5. L’évolution des modèles YOLO.

Ultralytics YOLOv8 a poursuivi cette progression en ajoutant la prise en charge de tâches comme la segmentation d’instances et en rendant les modèles plus flexibles. Il est devenu plus facile d’utiliser YOLO pour des applications aussi bien élémentaires que complexes, ce qui le rend utile dans de nombreux scénarios.

Avec le modèle le plus récent, Ultralytics YOLO11, de nouvelles optimisations ont été apportées. En réduisant le nombre de paramètres tout en améliorant la précision, il est désormais plus efficace pour les tâches en temps réel. Que tu sois un développeur expérimenté ou que tu débutes en IA, YOLO11 offre une approche avancée de la détection d’objets, facilement accessible.

Découvre Ultralytics YOLO11 : nouvelles fonctionnalités et améliorations#

YOLO11, lancé lors de l’événement hybride annuel d’Ultralytics, YOLO Vision 2024 (YV24), prend en charge les mêmes tâches de vision par ordinateur que YOLOv8, comme la détection d’objets, la segmentation d’instances, la classification d’images et l’estimation de pose. Les utilisateurs peuvent donc facilement passer à ce nouveau modèle sans devoir adapter leurs workflows. De plus, l’architecture améliorée de YOLO11 rend les prédictions encore plus précises. En fait, YOLO11m atteint une précision moyenne moyenne (mAP) supérieure sur l’ensemble de données COCO, avec 22 % de paramètres en moins que YOLOv8m.

YOLO11 est également conçu pour fonctionner efficacement sur une large gamme de plateformes, des smartphones et autres appareils edge aux systèmes cloud plus puissants. Cette flexibilité garantit des performances fluides sur différentes configurations matérielles pour les applications en temps réel. De plus, YOLO11 est plus rapide et plus efficace, ce qui réduit les coûts de calcul et accélère les temps d’inférence. Que tu utilises le package Python d’Ultralytics ou l’Ultralytics HUB sans code, il est facile d’intégrer YOLO11 à tes workflows existants.

L’avenir des modèles YOLO et de la détection d’objets#

L’impact de la détection d’objets avancée sur les applications en temps réel et l’IA edge se fait déjà sentir dans de nombreux secteurs. Alors que des domaines comme le pétrole et le gaz, la santé et le commerce de détail s’appuient de plus en plus sur l’IA, la demande en matière de détection d’objets rapide et précise continue d’augmenter. Ultralytics YOLO11 vise à répondre à cette demande en permettant une détection hautes performances, même sur des appareils disposant d’une puissance de calcul limitée.

À mesure que l’IA edge se développe, il est probable que des modèles de détection d’objets comme Ultralytics YOLO11 deviennent encore plus indispensables à la prise de décision en temps réel dans les environnements où la vitesse et la précision sont essentielles. Grâce aux améliorations continues de leur conception et de leur adaptabilité, l’avenir de la détection d’objets devrait apporter encore davantage d’innovations dans une grande variété d’applications.

Points clés à retenir#

La détection d’objets a parcouru un long chemin, passant de méthodes simples aux techniques avancées d’apprentissage profond que nous connaissons aujourd’hui. Les modèles YOLO ont été au cœur de cette progression, en offrant une détection en temps réel plus rapide et plus précise dans différents secteurs. Ultralytics YOLO11 s’appuie sur cet héritage en améliorant l’efficacité, en réduisant les coûts de calcul et en renforçant la précision, ce qui en fait un choix fiable pour diverses applications en temps réel. Avec les progrès continus de l’IA et de la vision par ordinateur, l’avenir de la détection d’objets semble prometteur et laisse entrevoir de nouvelles améliorations en matière de vitesse, de précision et d’adaptabilité.

Tu es curieux au sujet de l’IA ? Reste en contact avec notre communauté pour continuer à apprendre ! Consulte notre dépôt GitHub pour découvrir comment nous utilisons l’IA afin de créer des solutions innovantes dans des secteurs comme la fabrication et la santé. 🚀