Entraîne des modèles YOLO plus rapidement avec Ultralytics Platform

La semaine dernière, Ultralytics a présenté Ultralytics Platform, un espace de travail unifié conçu pour simplifier la façon dont les équipes développent, entraînent et déploient des modèles de vision par ordinateur. Au lieu de jongler entre plusieurs outils, la plateforme regroupe tout au même endroit et facilite le passage de l’idée au déploiement de modèles d’IA visuelle.

C’est essentiel, car la vision par ordinateur devient rapidement un élément central de nombreux secteurs. Elle alimente des applications comme l’inspection en fabrication, l’analyse du commerce de détail et la navigation autonome.

La transformation de ces applications reposant sur la vision par ordinateur en systèmes fiables dépend de la qualité de l’entraînement des modèles. L’entraînement d’un modèle consiste à apprendre à partir de données annotées afin qu’il puisse reconnaître des motifs et produire des prédictions précises. En général, les modèles bien entraînés offrent de meilleures performances et des résultats plus fiables dans des applications réelles.

Cependant, l’entraînement d’un modèle de vision par ordinateur n’est pas toujours simple. Il comporte plusieurs aspects, comme la configuration des environnements, le choix des ressources de calcul adaptées, le réglage des hyperparamètres et le suivi de plusieurs expériences d’entraînement. Lorsque ces étapes sont réparties entre différents outils et systèmes, le flux de travail d’entraînement devient rapidement complexe et difficile à gérer.

Ultralytics Platform résout ce problème en réunissant l’ensemble du processus d’entraînement dans un tableau de bord unifié. Tu peux configurer, lancer et suivre les tâches d’entraînement au même endroit, que tu travailles dans le cloud, en local ou sur Google Colab.

Fig. 1. Aperçu de l’entraînement d’un modèle sur Ultralytics Platform (Source)

Dans cet article, nous allons voir comment Ultralytics Platform simplifie l’entraînement des modèles et pourquoi la plateforme peut te donner un avantage dans tes projets d’IA visuelle.

Les modèles de vision par ordinateur apprennent à partir des données grâce à l’entraînement#

Avant de voir comment fonctionne l’entraînement des modèles sur Ultralytics Platform, prenons un peu de recul pour comprendre en quoi consiste cet entraînement et ce qu’il implique.

L’entraînement d’un modèle est le processus par lequel un modèle de vision par ordinateur apprend à interpréter des données visuelles. Il analyse des images ou des vidéos et ajuste progressivement ses paramètres internes pour effectuer avec précision des tâches de vision comme la détection d’objets, la segmentation d’instances et la classification d’images. Au fil du temps, le modèle s’améliore en apprenant directement les motifs présents dans les données qu’il observe.

La qualité de l’entraînement dépend largement des jeux de données. Tu peux voir un jeu de données comme un ensemble de fiches qu’un enseignant utiliserait pour former un élève : chaque exemple aide le modèle à apprendre ce qu’il doit repérer.

Un jeu de données de vision par ordinateur classique comprend des images, généralement aux formats JPG ou PNG, ainsi que des annotations qui décrivent le contenu de chaque image. Ces annotations, souvent enregistrées dans des fichiers JSON ou TXT, fournissent les étiquettes et le contexte dont le modèle a besoin pour apprendre efficacement.

Mais l’entraînement ne consiste pas simplement à fournir des données à un modèle. Il implique plusieurs étapes clés, de la préparation du jeu de données au choix du modèle et à la configuration du processus d’entraînement. Voyons maintenant quelques-unes de ces étapes de plus près.

Comment préparer les jeux de données#

Tu pourrais penser qu’une fois ton jeu de données prêt, tu peux commencer immédiatement à entraîner un modèle. Mais tu dois d’abord effectuer quelques étapes, comme répartir les données.

En général, un jeu de données est divisé en trois parties : un ensemble d’entraînement, un ensemble de validation et un ensemble de test. Les images d’entraînement servent à apprendre au modèle les motifs présents dans les données, tandis que l’ensemble de validation permet de surveiller et d’affiner les performances pendant l’entraînement.

L’ensemble de test sert à évaluer, à la fin, les performances du modèle sur des données entièrement nouvelles qu’il n’a jamais vues. Cette configuration permet de s’assurer que le modèle ne se contente pas de mémoriser les données, mais qu’il peut généraliser à des situations réelles.

Choisir le bon modèle pour l’entraînement#

Une autre étape importante avant l’entraînement consiste à choisir le modèle que tu veux utiliser. Dans de nombreux cas, cela signifie sélectionner un modèle préentraîné. Les modèles Ultralytics YOLO, par exemple, ont déjà été entraînés sur de grands jeux de données et ont appris des motifs visuels généraux, ce qui en fait un excellent point de départ.

L’utilisation de ces modèles est un exemple d’apprentissage par transfert : tu t’appuies sur des connaissances existantes et adaptes le modèle à ta tâche spécifique. Cette approche accélère l’entraînement et améliore les résultats, en particulier lorsque tu disposes de peu de données.

Ces modèles existent aussi en différentes tailles, chacune présentant un compromis entre rapidité et précision. Les modèles plus petits sont plus rapides et plus efficaces, tandis que les modèles plus grands tendent à offrir une meilleure précision, mais nécessitent davantage de ressources de calcul.

Configurer les paramètres d’entraînement des modèles de vision#

Une fois le jeu de données préparé et le modèle choisi, l’étape suivante consiste à configurer la manière dont le modèle apprend.

Un modèle de vision par ordinateur est entraîné à l’aide d’un ensemble de paramètres qui déterminent la façon dont il traite les données, met à jour ses poids et s’améliore au fil du temps. Ces réglages influent directement sur la vitesse d’entraînement et la précision finale ; ils sont donc essentiels pour obtenir de bons résultats.

Voici quelques-uns des paramètres d’entraînement les plus couramment utilisés :

• Époques : ce paramètre indique combien de fois le modèle parcourt l’ensemble du jeu de données pendant l’entraînement. Augmenter le nombre d’époques donne au modèle davantage d’occasions d’apprendre les motifs présents dans les données.
• Taille de lot : nombre d’images traitées ensemble au cours d’une étape d’entraînement. Des lots plus grands peuvent accélérer l’entraînement, mais nécessitent davantage de mémoire.
• Taille des images : définit la résolution des images d’entrée utilisées pendant l’entraînement. Des résolutions plus élevées peuvent améliorer la précision de détection, mais augmentent le coût de calcul.
• Taux d’apprentissage : vitesse à laquelle le modèle met à jour ses paramètres internes pendant l’entraînement. Des valeurs trop élevées ou trop faibles peuvent déstabiliser l’entraînement.
• Optimiseur : algorithme chargé de mettre à jour les paramètres du modèle en fonction de l’erreur calculée à chaque itération d’entraînement.

Dans les workflows basés sur Ultralytics YOLO, ces paramètres sont transmis sous forme d’arguments d’entraînement, tandis que le jeu de données est décrit dans un fichier YAML. Ce fichier indique les chemins d’accès aux données, les noms des classes et la manière dont les données sont réparties. Il sert de configuration centrale pour indiquer au modèle comment interpréter le jeu de données.

Des flux de travail fragmentés à une expérience unifiée avec Ultralytics Platform#

Nous venons d’aborder quelques étapes clés de l’entraînement d’un modèle de vision par ordinateur, de la préparation des jeux de données au choix d’un modèle et à la configuration des paramètres d’entraînement. En pratique, le processus va souvent plus loin : il comprend le suivi des expériences, la comparaison de plusieurs exécutions d’entraînement et l’amélioration continue des modèles au fil du temps.

Ces étapes sont rarement gérées au même endroit. Les jeux de données peuvent être préparés dans un outil, les exécutions d’entraînement lancées dans un autre environnement et le suivi des expériences effectué séparément. À mesure que les projets prennent de l’ampleur, cette fragmentation les complexifie, ralentit les itérations et complique l’organisation.

Ultralytics Platform élimine cette complexité en réunissant l’ensemble du flux de travail d’entraînement dans un seul environnement. Au lieu de passer d’un outil à l’autre, tu peux gérer les jeux de données, configurer l’entraînement, lancer des expériences et suivre les résultats au même endroit.

Voyons maintenant comment Ultralytics Platform rend l’entraînement des modèles plus intelligent.

Options d’entraînement prises en charge par Ultralytics Platform#

Dans des applications réelles, l’entraînement d’un modèle de vision par ordinateur nécessite souvent des environnements flexibles. Selon la taille de ton jeu de données, la complexité du modèle et le matériel disponible, tu peux choisir d’exécuter l’entraînement dans le cloud, sur une machine locale ou dans un environnement de notebook externe.

Ultralytics Platform prend en charge les options d’entraînement suivantes pour répondre à ces besoins :

• Entraînement dans le cloud : l’entraînement s’exécute sur les processeurs graphiques (GPUs) cloud gérés par Ultralytics. Cette option est idéale pour les grands jeux de données ou les modèles plus complexes qui nécessitent d’importantes ressources de calcul.
• Entraînement en local : cette option utilise le matériel disponible sur ta machine. Elle convient parfaitement aux expérimentations rapides, aux tests de configuration ou aux petits jeux de données. Pour les charges de travail plus évolutives, tu peux aussi exécuter l’entraînement dans ton propre environnement cloud, par exemple sur AWS ou GCP.
• Google Colab : avec Ultralytics Platform, tu peux exécuter l’entraînement dans l’environnement de notebook hébergé de Google Colab et bénéficier ainsi d’un flux de travail flexible dans le navigateur, sans configurer de machine locale.

Découvrir l’entraînement dans le cloud sur Ultralytics Platform#

Pour les projets de vision par ordinateur, il n’est pas toujours facile d’entraîner des modèles en local ou dans des environnements de notebook.

Par exemple, avec l’entraînement en local, les performances dépendent entièrement de ton matériel, ce qui peut limiter la puissance de calcul et ralentir les expérimentations. Les GPU sont indispensables pour un entraînement efficace, mais toutes les configurations ne permettent pas d’y accéder de manière fiable.

Les environnements de notebook comme Google Colab offrent une autre possibilité en fournissant des GPU dans le cloud, mais les sessions sont souvent temporaires et peuvent interrompre les entraînements de longue durée. À mesure que les jeux de données grossissent et que les flux de travail se complexifient, ces limites peuvent rapidement devenir des goulots d’étranglement et rendre l’entraînement plus lent et moins fiable.

Ultralytics Platform répond à ce problème grâce à son option d’entraînement dans le cloud. Elle fournit un environnement prêt à l’emploi dans lequel les dépendances Python et les frameworks comme PyTorch sont préconfigurés, ce qui te permet de commencer l’entraînement sans configuration supplémentaire.

Depuis un seul tableau de bord, tu peux lancer des tâches d’entraînement et suivre leur progression en temps réel. Tu peux ainsi te concentrer plus facilement sur l’amélioration de tes modèles plutôt que sur la gestion de l’infrastructure.

Voyons maintenant comment commencer à entraîner des modèles dans le cloud avec Ultralytics Platform.

Étape 1 : choisir un modèle de base#

La première étape consiste à choisir un modèle de base pour ton entraînement. Tu peux sélectionner un modèle Ultralytics YOLO préentraîné, cloner un modèle de la communauté ou téléverser tes propres poids préentraînés pour répondre à des besoins spécifiques.

La plateforme prend en charge tous les modèles Ultralytics YOLO, notamment Ultralytics YOLO26, Ultralytics YOLO11, Ultralytics YOLOv8 et Ultralytics YOLOv5. Chacun existe en plusieurs variantes de taille : nano (n), small (s), medium (m), large (l) et extra-large (x). Comme les différentes variantes offrent des compromis entre vitesse et précision, tu peux choisir un modèle adapté à tes exigences en matière de performances et de calcul.

Ces modèles prennent en charge un éventail de tâches de vision par ordinateur déjà familières aux utilisateurs d’Ultralytics YOLO, notamment la détection d’objets, la segmentation d’instances, la classification d’images, l’estimation de pose et la détection de boîtes englobantes orientées (OBB).

Si tu as des besoins spécifiques, tu peux aussi téléverser les poids de ton propre modèle préentraîné. Tu peux ainsi poursuivre l’entraînement d’un modèle existant ou l’affiner, par exemple un détecteur d’objets, directement sur la plateforme, plutôt que de partir de zéro. C’est particulièrement utile si tu as déjà entraîné un modèle ailleurs ou si tu veux l’adapter à un cas d’usage plus précis.

Étape 2 : choisir un jeu de données#

L’étape suivante consiste à choisir un jeu de données pour l’entraînement. Sur Ultralytics Platform, tu peux utiliser des jeux de données existants comme le jeu de données COCO, cloner des jeux de données de la communauté ou téléverser ton propre jeu de données personnalisé, adapté à ton application spécifique.

La plateforme prend en charge les formats d’annotation courants, comme Ultralytics YOLO et COCO. Elle peut aussi traiter des images brutes si tu prévois d’annoter des données personnalisées directement sur la plateforme.

Après leur téléversement, les jeux de données sont automatiquement traités : validation, normalisation, analyse des étiquettes et génération de statistiques. Tu peux ainsi consulter immédiatement tes données, notamment la répartition des classes et la structure du jeu de données, et vérifier que tout est prêt pour l’entraînement.

Les jeux de données sont également associés automatiquement aux exécutions d’entraînement, ce qui te permet de suivre les données utilisées pour chaque modèle et de garantir la cohérence entre les expériences.

Étape 3 : configurer les paramètres d’entraînement#

Après avoir choisi le jeu de données, tu peux configurer les paramètres qui déterminent la façon dont le modèle apprend. Ils comprennent le nombre d’époques, la taille de lot, la taille des images et le nom de l’exécution dans le journal d’entraînement. Beaucoup de ces paramètres influent à la fois sur la durée de l’entraînement et sur les performances finales du modèle.

Pour mieux contrôler l’entraînement, la plateforme te permet aussi de régler des paramètres avancés, comme le taux d’apprentissage, le type d’optimiseur, les paramètres d’augmentation des couleurs et d’autres options d’entraînement. Ces réglages permettent d’affiner le processus afin d’améliorer la précision et la stabilité du modèle.

Étape 4 : choisir un GPU#

Ensuite, tu peux choisir la configuration GPU pour ton entraînement. Le choix du GPU adapté dépend de facteurs comme la taille du jeu de données, la taille du lot, la résolution des images et la complexité du modèle. Trouver le bon équilibre permet de maintenir l’efficacité de l’entraînement sans utiliser plus de ressources de calcul que nécessaire.

Ultralytics Platform propose 26 options de GPU avec différents niveaux de VRAM (mémoire d’un GPU) et de puissance de calcul, pour répondre aux besoins des petites tâches comme des charges de travail à grande échelle.

Tu peux ainsi adapter le matériel à tes besoins spécifiques, que tu entraînes des modèles légers ou que tu travailles avec de grands jeux de données complexes. Pour en savoir plus, consulte la liste des GPU disponibles dans la page de documentation sur l’entraînement de Platform d’Ultralytics.

Fig. 2. Quelques options de GPU disponibles sur Ultralytics Platform (Source)

Étape 5 : lancer l’entraînement dans le cloud#

Une fois le modèle, le jeu de données, les paramètres d’entraînement et l’option de calcul choisis, tu peux rapidement lancer l’entraînement. Depuis le tableau de bord, tu peux démarrer l’entraînement en un clic. La plateforme s’occupe du reste : elle initialise l’environnement et exécute la tâche sur le GPU sélectionné.

Dès le début de l’entraînement, tu peux suivre la progression directement sur la plateforme. L’onglet Train affiche en temps réel les principales métriques, notamment les métriques de performance, les courbes de perte, l’utilisation du système et les journaux d’entraînement en direct.

Pour en savoir plus sur l’entraînement en local ou sur l’utilisation de Google Colab avec Ultralytics Platform, consulte d’autres tutoriels dans la documentation officielle d’Ultralytics Platform.

Évaluer et comparer les modèles sur Ultralytics Platform#

Une fois l’entraînement terminé, l’étape suivante consiste à évaluer les performances de ton modèle. Sur Ultralytics Platform, tu peux comparer plusieurs exécutions d’entraînement au sein d’un projet et voir clairement les performances des différentes expériences.

Lors du développement de modèles, l’entraînement est souvent répété plusieurs fois avec différents réglages, par exemple en modifiant le taux d’apprentissage, la taille de lot ou la taille du modèle, afin d’améliorer les résultats. Chaque exécution produit un modèle légèrement différent, d’où l’importance de les comparer.

Les projets servent de centre névralgique où les modèles et les expériences sont regroupés. Tu peux suivre la progression, examiner les résultats et rester concentré sans passer d’un outil ou d’une vue à l’autre.

Cette vue unifiée te permet aussi d’analyser des métriques clés, comme la précision, le rappel et mAP (précision moyenne), pour comprendre les performances de ton modèle dans les différentes classes. Tu peux également comparer côte à côte les exécutions d’entraînement afin de déterminer quelles configurations donnent les meilleurs résultats.

Pour compléter ces métriques, tu peux utiliser l’onglet Predict afin de tester rapidement les modèles entraînés sur des images ou des données d’exemple. Tu peux ainsi valider visuellement leurs performances et repérer les problèmes potentiels.

Grâce à ces informations, tu peux sélectionner le modèle le plus performant, généralement enregistré sous forme de point de contrôle « best.pt », puis passer à l’étape suivante : une évaluation plus poussée, l’utilisation du modèle pour effectuer des inférences ou son déploiement via la plateforme.

Fig. 3. Exemple d’affichage des métriques sur Ultralytics Platform (Source)

Estimer le coût d’entraînement sur Ultralytics Platform#

L’entraînement de modèles de détection d’objets dans le cloud entraîne des coûts de calcul, surtout lorsque tu accèdes à des GPU hautes performances. Pour simplifier cette démarche, Ultralytics Platform fournit une estimation des coûts avant le début de l’entraînement.

Cette estimation te donne une vision claire de l’utilisation prévue, ce qui t’aide à planifier les charges de travail, à gérer les budgets et à éviter les dépenses imprévues avant de lancer une tâche d’entraînement. Voici comment vérifier les coûts estimés avant de commencer l’entraînement.

Comment le temps d’entraînement est estimé#

Pour estimer précisément le coût, la plateforme calcule d’abord la durée d’une époque d’entraînement. Celle-ci dépend de facteurs tels que la taille du jeu de données, celle du modèle, la résolution des images, la taille du lot et la vitesse du GPU sélectionné.

À partir de ces données, elle détermine la durée estimée par époque et la multiplie pour obtenir la durée totale de l’entraînement. La durée totale est calculée en additionnant le temps de toutes les époques et un léger temps de démarrage.

Cette marge tient compte de tâches telles que l’initialisation de l’environnement, le chargement des jeux de données et la préparation du GPU, afin que l’estimation reflète l’ensemble du processus d’entraînement, et pas seulement la boucle d’entraînement.

Comment le coût d’entraînement est calculé#

Une fois la durée totale de l’entraînement estimée, la plateforme la convertit en coût à partir du tarif horaire du GPU sélectionné.

En combinant la durée de l’entraînement et le tarif du GPU, tu obtiens une estimation claire du coût de l’exécution avant même son démarrage.

Connaître les coûts à l’avance te permet d’ajuster facilement ta configuration, par exemple en modifiant les paramètres d’entraînement ou en sélectionnant un autre GPU, afin de mieux équilibrer performances et coûts.

Fig. 4. Configuration de l’entraînement du modèle et estimation du coût sur Ultralytics Platform (Source)

Principaux avantages d’Ultralytics Platform pour l’entraînement des modèles#

Jusqu’ici, nous avons passé en revue les principales étapes de l’entraînement des modèles de vision par ordinateur et la manière dont elles s’articulent sur Ultralytics Platform.

Au-delà de ces fonctionnalités essentielles, d’autres capacités améliorent le flux de travail d’entraînement. Voici un aperçu de quelques-uns des principaux avantages d’Ultralytics Platform pour l’entraînement des modèles :

• Reproductibilité intégrée des expériences : chaque entraînement est automatiquement enregistré avec sa configuration complète, notamment le modèle, le jeu de données, les paramètres et la configuration de calcul. Tu peux ainsi facilement revoir les expériences et reproduire les résultats de manière fiable.
• Suivi de l’entraînement dans le temps : au lieu de consulter uniquement les résultats finaux, tu peux suivre l’évolution des performances au fil des époques et ainsi mieux comprendre le comportement du modèle pendant l’entraînement.
• Réduction de la charge opérationnelle : en gérant en arrière-plan la configuration de l’environnement, les dépendances et l’infrastructure, la plateforme te permet de te concentrer davantage sur le développement du modèle et moins sur sa mise en place.
• Organisation centralisée des expériences : les projets regroupent au même endroit les modèles, les jeux de données et les entraînements, ce qui aide à structurer les expériences à mesure que les flux de travail gagnent en complexité.

Points clés à retenir#

L’entraînement est l’une des étapes les plus importantes du cycle de vie d’un modèle de machine learning. Il détermine la précision avec laquelle un modèle peut reconnaître et interpréter les données visuelles.

En réunissant la configuration des données d’entraînement, le suivi, la comparaison des expériences et l’estimation des coûts dans un même environnement, Ultralytics Platform simplifie la création de modèles de vision par ordinateur performants et leur préparation au déploiement.

Découvre notre communauté grandissante et notre dépôt GitHub pour en savoir plus sur la vision par ordinateur. Si tu souhaites créer des solutions de vision, consulte nos options de licence. Explore nos pages de solutions pour en savoir plus sur les avantages de la vision par ordinateur dans l’industrie manufacturière et de l’IA dans l’agriculture.