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

Computer vision est un sous-domaine de l'intelligence artificielle (IA) qui vise à apprendre aux machines à voir et à comprendre les images et les vidéos, de la même manière que les humains perçoivent le monde réel. Alors que recognizing objects ou identifying actions relève de l'évidence pour les humains, ces tâches nécessitent des computer vision techniques spécifiques et spécialisées lorsqu'il s'agit de machines. Par exemple, une tâche clé en computer vision est object detection, 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 façon dont les ordinateurs peuvent detect objects. Les premières méthodes, comme template matching, consistaient à faire glisser un modèle prédéfini sur une image pour trouver des correspondances. Bien qu'innovantes, ces approches peinaient à gérer les changements de object size, orientation et d'éclairage. Aujourd'hui, nous disposons de advanced models tels que Ultralytics YOLO11 qui peuvent détecter même de petits objets partiellement cachés, appelés objets occlus, avec une précision impressionnante.

Alors que computer vision continue d'évoluer, il est important de se pencher sur la façon dont ces technologies se sont développées. Dans cet article, nous explorerons l'évolution de object detection et mettrons en lumière la transformation des YOLO (You Only Look Once) models. C'est parti !

Les origines de la vision par ordinateur#

Avant de plonger dans object detection, jetons un œil aux débuts de computer vision. Les origins of computer vision remontent à la fin des années 1950 et au début des années 1960, lorsque les scientifiques ont commencé à explorer la manière dont le cerveau traite l'information visuelle. Lors d'expériences sur des cats, les researchers David Hubel et Torsten Wiesel ont découvert que le cerveau réagit à des motifs simples tels que les contours et les lignes. Cela a jeté les bases du concept de feature extraction, c'est-à-dire l'idée que les systèmes visuels détectent et reconnaissent les caractéristiques de base des images, comme les contours, avant de passer à des motifs plus complexes.

Fig 1. Comprendre comment le cerveau d'un chat réagit aux barres lumineuses a aidé à développer l'extraction de caractéristiques en computer vision.

À la même époque, de nouvelles technologies capables de convertir des images physiques en formats numériques ont émergé, suscitant un intérêt pour la façon dont les machines pouvaient traiter l'information visuelle. En 1966, le Summer Vision Project du Massachusetts Institute of Technology (MIT) a fait progresser les choses. Bien que le projet n'ait pas complètement réussi, il visait à créer un système capable de séparer l'avant-plan de l'arrière-plan dans les images. Pour beaucoup dans la vision AI community, ce projet marque le début officiel de computer vision en tant que domaine scientifique.

Comprendre l'histoire de la détection d'objets#

À mesure que computer vision progressait à la fin des années 1990 et au début des années 2000, les méthodes de object detection sont passées de techniques de base comme le template matching à des approches plus avancées. L'une des méthodes populaires était Haar Cascade, qui a été largement utilisée pour des tâches comme face detection. Elle fonctionnait en analysant les images à l'aide d'une fenêtre glissante, en vérifiant des caractéristiques spécifiques telles que les contours ou les textures dans chaque section de l'image, puis en combinant ces caractéristiques pour detect objects comme les visages. Haar Cascade était beaucoup plus rapide que les méthodes précédentes.

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

Parallèlement, des méthodes telles que les Histogram of Oriented Gradients (HOG) et les Support Vector Machines (SVMs) ont également été introduites. HOG utilisait la technique de la fenêtre glissante pour analyser la façon dont la lumière et les ombres changeaient dans de petites sections d'une image, aidant à identify objects en fonction de leurs formes. Les SVM classified ensuite ces caractéristiques pour déterminer l'identité de l'objet. Ces méthodes ont improved accuracy, mais peinaient encore dans les environnements du monde réel et étaient plus lentes par rapport aux techniques d'aujourd'hui.

Le besoin de détection d'objets en temps réel#

Dans les années 2010, l'essor du deep learning et des Convolutional Neural Networks (CNNs) a entraîné un changement majeur dans object detection. Les CNN ont permis aux ordinateurs d'apprendre automatiquement des caractéristiques importantes à partir de grandes quantités de data, ce qui a rendu la détection beaucoup plus précise.

Les premiers modèles tels que les R-CNN (Region-based Convolutional Neural Networks) ont constitué une amélioration considérable en termes de precision, aidant à identifier les objets more accurately que les anciennes méthodes.

Cependant, ces modèles étaient lents car ils traitaient les images en plusieurs étapes, ce qui les rendait peu pratiques pour les applications en temps réel dans des domaines tels que self-driving cars ou video surveillance.

En cherchant à accélérer les processus, des modèles plus efficaces ont été développés. Des modèles comme Fast R-CNN et Faster R-CNN ont permis d'améliorer la sélection des régions d'intérêt et de réduire le nombre d'étapes nécessaires à la détection. Bien que cela ait rendu la détection d'objets plus rapide, elle n'était toujours pas assez rapide pour de nombreuses real-world applications nécessitant des résultats instantanés. La demande croissante pour la détection en temps réel a stimulé le développement de solutions encore plus rapides et efficaces, capables de concilier 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 étape majeure#

YOLO est un modèle de object detection qui a redéfini la vision par ordinateur en permettant la détection en temps réel de multiple objects dans les images et les vidéos, ce qui le rend tout à fait unique par rapport aux méthodes de détection précédentes. Au lieu d'analyser chaque objet détecté individuellement, YOLO’s architecture traite la détection d'objets comme une tâche unique, prédisant à la fois l'emplacement et la classe des objets en une seule fois grâce aux CNN.

Le modèle fonctionne en divisant une image en une grille, chaque partie étant responsable de la détection d'objets dans sa zone respective. Il effectue plusieurs predictions pour chaque section et filters out les résultats les moins sûrs pour ne conserver que les plus précis.

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

L'introduction de YOLO dans les computer vision applications a rendu la détection d'objets beaucoup plus rapide et efficace qu'avec les modèles précédents. En raison de sa vitesse et de sa précision, YOLO est rapidement devenu un choix populaire pour les solutions en temps réel dans des secteurs tels que la fabrication, la santé et la robotique.

Un autre point important à noter est que, comme YOLO était open-source, les développeurs et les chercheurs ont pu l'améliorer continuellement, menant à des versions encore plus avancées.

Le chemin de YOLO à Ultralytics YOLO11#

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

Par exemple, lors du lancement de Ultralytics YOLOv5, deploying models est devenu plus simple avec PyTorch, permettant à un plus large public d'utiliser l'IA avancée. Il a allié précision et simplicité d'utilisation, donnant à davantage de personnes la possibilité de mettre en œuvre la détection d'objets sans avoir à être des experts en codage.

Fig 5. L'évolution des modèles YOLO.

Ultralytics YOLOv8 a poursuivi cette progression en ajoutant la prise en charge de tâches telles que la segmentation d'instances et en rendant les modèles plus flexibles. Il est devenu plus facile d'utiliser YOLO pour des applications de base ou plus complexes, ce qui le rend utile dans un large éventail de scénarios.

Avec le tout dernier modèle, Ultralytics YOLO11, de nouvelles optimisations ont été réalisées. En réduisant le nombre de parameters tout en améliorant la précision, il est désormais plus efficace pour les tâches en temps réel. Que tu sois un développeur chevronné ou un débutant en IA, YOLO11 propose une approche avancée de la détection d'objets qui reste facilement accessible.

Apprendre à connaître 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 computer vision tasks que YOLOv8, telles que la détection d'objets, la segmentation d'instances, la classification d'images et la pose estimation. Ainsi, tu peux facilement passer à ce nouveau modèle sans avoir à modifier tes flux de travail. De plus, l'architecture améliorée de YOLO11 rend les prédictions encore plus précises. En fait, YOLO11m atteint une précision moyenne supérieure (mAP) sur le COCO dataset avec 22 % de paramètres en moins que YOLOv8m.

YOLO11 est également conçu pour s'exécuter efficacement sur un range of platforms, allant des smartphones et autres appareils de périphérie (edge devices) aux systèmes cloud plus puissants. Cette flexibilité garantit des performances fluides sur différentes hardware setups pour les applications en temps réel. De surcroît, YOLO11 est plus rapide et plus efficace, ce qui réduit les coûts de calcul et accélère les temps d'inférence. Que tu utilises le Ultralytics Python package ou la plateforme no-code Ultralytics HUB, il est facile d'intégrer YOLO11 dans tes flux de travail 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'edge AI se fait déjà sentir dans tous les secteurs. Alors que des secteurs comme le pétrole et le gaz, la santé et le retail dépendent de plus en plus de l'IA, la demande pour une détection d'objets rapide et précise continue d'augmenter. Ultralytics YOLO11 vise à répondre à cette demande en permettant une détection haute performance même sur des appareils dotés d'une puissance de calcul limitée.

À mesure que l'edge AI se développe, il est probable que les modèles de détection d'objets comme Ultralytics YOLO11 deviennent encore plus essentiels pour la prise de décision en temps réel dans des environnements où la vitesse et la précision sont critiques. Avec les améliorations continues de la conception et de l'adaptabilité, l'avenir de la détection d'objets s'annonce porteur de nouvelles innovations dans une variété d'applications.

Points clés#

La détection d'objets a fait du chemin, évoluant des méthodes simples vers les techniques d'apprentissage profond avancées que nous voyons aujourd'hui. Les modèles YOLO ont été au cœur de ce progrès, offrant une détection en temps réel plus rapide et plus précise dans différents secteurs. Ultralytics YOLO11 s'appuie sur cet héritage, améliorant l'efficacité, réduisant les coûts de calcul et améliorant la précision, ce qui en fait un choix fiable pour une variété d'applications en temps réel. Avec les progrès continus de l'IA et de la computer vision, l'avenir de la détection d'objets semble radieux, avec de la place pour encore plus d'améliorations en termes de vitesse, de précision et d'adaptabilité.

Curieux de l'IA ? Reste connecté avec notre communauté pour continuer à apprendre ! Consulte notre répertoire GitHub pour découvrir comment nous utilisons l'IA pour créer des solutions innovantes dans des secteurs tels que la fabrication et la santé. 🚀