Ultralytics YOLOv8 a un an : une année de percées et d'innovations

Extension des documents de YOLOv8

Nous rapprochons YOLOv8 de vous ! Notre documentation est maintenant disponible en 11 langues, avec plus de 200 pages de docs, et s'étend continuellement pour mieux répondre aux besoins de notre communauté diversifiée ! Notre documentation va plus loin et consiste en des guides pour les projets réels suivants :

• Comptage d'objets
• Cartes thermiques
• Comptage des régions
• Estimation de la vitesse
• Calcul de la distance

La documentation illustre également la prise en charge par Ultralytics de divers ensembles de données. Par exemple, le jeu de données Open Images V7 avec 600 classes a récemment été ajouté à la liste des jeux de données pris en charge. De plus, nous avons mis à votre disposition un modèle pré-entraîné pour l'ensemble de données Open Images V7 afin que vous puissiez l'essayer !

Création de modèles YOLOv8 entraînés sur mesure

Au-delà de l'utilisation de modèles pré-entraînés, les utilisateurs recherchent également des solutions de vision par ordinateur personnalisées qui permettent de résoudre des problèmes professionnels très spécifiques. La possibilité d'entraîner les modèles YOLOv8 sur des données personnalisées est apparue comme un avantage significatif, et un nombre stupéfiant de 19 millions de modèles YOLOv8 ont été entraînés en 2023. Ces modèles ont été entraînés pour diverses tâches, dont 64 % pour la détection d'objets, 20 % pour la segmentation d'images, 15 % pour l'estimation de la pose et 1 % pour la classification d'images. 

Ces chiffres sont en partie possibles parce que tout le monde peut former YOLOv8 grâce à la plateforme ML sans code d'Ultralytics, Ultralytics HUB - quelle que soit son expertise en matière de codage. Vous pouvez rapidement créer et entraîner des modèles avancés sans avoir besoin de code sur Ultralytics HUB, qui est accessible à la fois sur le web et sur mobile. Alors que nous célébrons les succès de YOLOv8, revenons sur l'évolution d'Ultralytics HUB au cours de l'année écoulée.

Présentation : Ultralytics Explorer

Juste à temps pour le premier anniversaire de YOLOv8, nous sortons un nouvel outil compatible avec YOLOv8 appelé Ultralytics Explorer. Cet outil innovant promet de changer la façon dont les utilisateurs explorent et interagissent avec leurs ensembles de données. Vous pouvez utiliser l'API Ultralytics Explorer ou l'interface graphique pour filtrer et rechercher vos ensembles de données à l'aide de requêtes SQL, de la recherche de similarité vectorielle et de la recherche sémantique. 

Une fonctionnalité intéressante d'Ultralytics Explorer est la mise en correspondance d'images. Par exemple, vous pouvez sélectionner une image dans votre ensemble de données et trouver toutes les images de votre ensemble de données qui sont similaires à cette image. Cela peut faciliter la compréhension et la gestion de votre ensemble de données. 

Supposons que vous souhaitiez voir toutes les images de girafes dans votre ensemble de données, vous pouvez le faire en quelques clics ! Le logiciel prend également en charge la mise en correspondance d'images multiples, ce qui signifie que lorsque vous sélectionnez plusieurs images à mettre en correspondance, la moyenne des images est calculée.

Vous pouvez également écrire des requêtes SQL pour trouver un nombre spécifique d'images dans l'ensemble de données avec des étiquettes spécifiques. Cela peut s'avérer utile lorsque vous souhaitez voir un échantillon de 10 images de l'ensemble de données avec une étiquette telle que "chien". Cela vous aide à vous faire une idée des données qui ont été annotées. 

Une autre fonctionnalité intéressante est la fonction Ask AI. Si vous ne maîtrisez pas le langage SQL, elle vous permet d'utiliser la fonction d'interrogation sans avoir recours au langage SQL. Par exemple, vous pouvez demander à notre générateur de requêtes alimenté par l'IA de vous montrer 100 images avec exactement une personne et 2 chiens, et il générera en interne la requête et vous montrera les résultats de la requête. 

Ayush Chaurasia, conseiller chez Ultralytics, a déclaré : "Le plus intéressant, c'est que l'API d'Ultralytics Explorer étant elle-même open source, vous pouvez l'utiliser pour créer des applications de validation d'ensembles de données, d'exploration, etc. Pour en savoir plus sur Ultralytics Explorer ici.

Une nouvelle tâche YOLOv8 : Détection d'objets orientés

YOLOv8 fait un grand pas en avant en introduisant les éléments suivants Détection d'objets orientéségalement connue sous le nom d'OBB. Cette fonction avancée est conçue pour fournir des résultats de détection précis, en particulier pour les objets ayant des angles et des rotations variés. 

Cela améliore la robustesse et la fiabilité de la détection, en particulier pour les objets inclinés tels que les images aériennes de télédétection et la détection de texte. OBB se distingue par sa capacité à localiser avec précision les objets dans les images, en minimisant l'inclusion des zones d'arrière-plan. Cette précision améliore considérablement la classification des objets en réduisant le bruit de fond.

Jing Qiu, ingénieur ML chez Ultralytics, nous donne un aperçu de notre dernière innovation : "Au cœur du nouveau modèle YOLOv8-OBB se trouve la base robuste de notre modèle de détection YOLOv8. Bien qu'il intègre des paramètres et des calculs supplémentaires, nous avons veillé à ce que sa vitesse d'inférence reste rapide pour les applications en temps réel, reflétant les performances de nos modèles de détection standard. Il est convivial et partage la même API, mais il est marqué par un simple signe "obb", ce qui le rend extrêmement facile à entraîner, à valider, à prédire et à exporter, tout comme nos autres tâches.

Nous sommes également ravis d'annoncer une compatibilité accrue pour l'entraînement d'un modèle sur l'ensemble de données DOTA v2. Plongez dans plus de détails ici et découvrez comment cela élargit les capacités de YOLOv8.

Modèles de classification d'images améliorés

S'il est essentiel d'ajouter de nouvelles tâches à YOLOv8, il est tout aussi vital d'améliorer les tâches originales. En écho à ce sentiment, la tâche de classification d'images prise en charge par YOLOv8 a été améliorée.

Fatih Akyon, ingénieur ML chez Ultralytics, souligne : "Nous avons intégré les augmentations de classification SOTA dans les pipelines de formation d'Ultralytics. Cela permet d'améliorer les scores de classification. Les modèles de classification de base yolov8 ont été ré-entraînés avec le nouveau pipeline."

Pour en savoir plus sur la capacité de YOLOv8 à classer les images, consultez cette page de documentation.