17 février 2025
Apprenez à utiliser les Albumentations pour les augmentations lors de l'entraînement personnalisé d'Ultralytics YOLO11 afin d'améliorer les performances du modèle avec diverses données d'entraînement.
Lors de la création d'une solution de vision par ordinateur, la collecte d'un ensemble diversifié d'images pour l'entraînement des modèles de Vision IA peut être un élément essentiel du processus. Cela nécessite souvent beaucoup de temps et d'argent, et parfois, les images collectées ne sont toujours pas assez variées pour que les modèles apprennent efficacement.
Par exemple, des modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent être entraînés sur mesure sur des ensembles de données d'images pour diverses tâches de vision par ordinateur liées à différentes applications. La diversité des données est essentielle car elle aide le modèle à mieux se généraliser, ce qui lui permet de reconnaître des objets et des modèles dans un large éventail de scénarios du monde réel.
Si vous avez du mal à obtenir des données diversifiées, les techniques d'augmentation des données d'image peuvent être une excellente solution. Des méthodes comme la rotation, le retournement et l'ajustement de la luminosité peuvent aider à augmenter la variété de votre ensemble de données, améliorant ainsi la capacité du modèle à gérer un éventail plus large de conditions.
C'est pourquoi Ultralytics propose une intégration pour l'augmentation des données d'images. En utilisant Albumentations, un outil populaire qui offre une collection de transformations, vous pouvez créer diverses données visuelles. Cette intégration simplifie le processus de formation de YOLO11 en augmentant automatiquement les images de formation, ce qui améliore les performances du modèle.
Dans cet article, nous allons explorer comment vous pouvez utiliser l'intégration d'Albumentations, ses avantages et son impact sur l'entraînement du modèle.
Les modèles de vision par ordinateur peuvent apprendre à partir d'un large éventail d'images de haute qualité pour reconnaître des objets dans différents environnements. La collecte de grands ensembles de données provenant de sources réelles peut être lente, coûteuse et inefficace. Pour rationaliser cette tâche, vous pouvez utiliser l'augmentation des données d'image pour créer de nouvelles variations d'images existantes, aidant ainsi les modèles à apprendre à partir de différents scénarios sans collecter davantage de données.
Plus précisément, vous pouvez exploiter Albumentations, une bibliothèque open source introduite pour l'augmentation efficace des données d'image en 2018. Elle prend en charge une variété d'opérations, allant de simples modifications géométriques comme les rotations et les retournements à des ajustements plus complexes tels que la luminosité, le contraste et l'ajout de bruit.
Albumentations est connu pour ses performances élevées, ce qui signifie qu'il peut traiter les images rapidement et efficacement. Construit sur des librairies optimisées comme OpenCV et NumPy, il traite de grands ensembles de données avec un temps de traitement minimal, ce qui le rend idéal pour l'augmentation rapide des données pendant l'entraînement du modèle.
Voici quelques autres caractéristiques clés d'Albumentations :
Vous vous posez peut-être la question : il existe de nombreuses façons d'appliquer des augmentations à un ensemble de données, et vous pouvez même créer les vôtres à l'aide d'outils tels qu'OpenCV. Alors, pourquoi choisir une intégration qui supporte une bibliothèque comme Albumentations ?
La création manuelle d'augmentations avec des outils comme OpenCV peut prendre beaucoup de temps et nécessite une certaine expertise. Il peut également être difficile d'affiner les transformations pour obtenir les meilleurs résultats. L'intégration d'Albumentations facilite ce processus. Elle offre de nombreuses transformations prêtes à l'emploi qui peuvent vous faire gagner du temps et de l'énergie lors de la préparation de votre jeu de données.
Une autre raison de choisir l'intégration d'Albumentations est qu'elle fonctionne parfaitement avec le pipeline deformation de modèles Ultralytics . Il est ainsi beaucoup plus facile d'entraîner YOLO11 sur mesure, car les augmentations sont automatiquement appliquées pendant l'entraînement. Cela simplifie le processus et vous permet de vous concentrer sur l'amélioration de votre modèle plutôt que sur la préparation des données.
Il est intéressant de noter que l'utilisation des intégrations d'Albumentations pour entraîner YOLO11 est plus simple qu'il n'y paraît. Une fois les bonnes bibliothèques configurées, l'intégration applique automatiquement des augmentations de données d'image pendant l'entraînement. Elle aide le modèle à apprendre à partir de différentes variations d'images en utilisant le même ensemble de données.
Ensuite, nous allons voir comment installer et utiliser l'intégration d'Albumentations lors de la formation personnalisée de YOLO11.
Avant d'appliquer des augmentations, le packageUltralytics Python et Albumentations doivent être installés. L'intégration a été conçue de manière à ce que les deux bibliothèques fonctionnent ensemble de manière transparente par défaut, de sorte que vous n'avez pas à vous soucier de configurations complexes.
L'ensemble du processus d'installation peut être réalisé en quelques minutes à l'aide d'une simple commande pip, qui est un outil de gestion de paquets pour l'installation de bibliothèques Python , comme le montre l'image ci-dessous.
Une fois Albumentations installé, le mode d'entraînement du modèle Ultralytics applique automatiquement des augmentations d'images pendant l'entraînement. Si Albumentations n'est pas installé, ces augmentations ne seront pas appliquées. Pour plus de détails, vous pouvez vous référer à la documentation officielle d'Ultralytics .
Essayons de mieux comprendre ce qui se passe sous le capot de l'intégration d'Albumentations.
Voici un aperçu des augmentations appliquées lors de l'entraînement à YOLO11 :
Si vous entraînez YOLO11 pour une application spécifique, l'intégration d'Albumentations peut vous aider à améliorer les performances du modèle en l'adaptant à différentes conditions. Discutons de quelques applications réelles et des défis que cette intégration peut résoudre.
L'IA de vision dans le secteur de la santé aide les médecins à analyser les images médicales avec plus de précision pour faciliter les diagnostics et améliorer les soins aux patients. En fait, environ un cinquième des organisations de soins de santé utilisent déjà des solutions d'IA.
Cependant, la création de ces solutions de vision par ordinateur s'accompagne de son propre ensemble de défis. Les scans médicaux peuvent varier considérablement d'un hôpital à l'autre, en raison de facteurs tels que les différents équipements, les paramètres et même l'expérience des techniciens. Les variations de luminosité, de contraste et d'exposition peuvent affecter la cohérence et la précision des modèles d'IA de vision, ce qui rend difficile leur performance fiable dans différents environnements.
C'est là que l'intégration d'outils comme Albumentations devient essentielle. En générant plusieurs versions augmentées du même scan, Albumentations permet au modèle d'apprendre à partir d'une variété de qualités d'images. Le modèle devient ainsi plus robuste, ce qui lui permet de detect maladies avec précision sur des images de haute et de basse qualité.
Une autre application intéressante de la Vision IA se trouve dans la sécurité et la surveillance. La détection d'objets en temps réel peut aider les équipes de sécurité à identifier rapidement les menaces potentielles.
L'une des principales préoccupations liées à cette application est que les caméras de sécurité enregistrent des séquences dans diverses conditions d'éclairage tout au long de la journée, et que ces conditions peuvent avoir une incidence considérable sur la manière dont un modèle comprend ces images. Des facteurs tels que la faible luminosité, l'éblouissement ou la mauvaise visibilité peuvent empêcher les modèles de vision artificielle de detect objets ou de reconnaître des menaces potentielles de manière cohérente.
L'intégration d'Albumentations permet d'appliquer des transformations pour imiter différentes conditions d'éclairage. Cela permet au modèle d'apprendre à detect objets dans des environnements lumineux ou peu éclairés, ce qui le rend plus fiable et améliore les temps de réponse dans des conditions difficiles.
Un déversement dans l'allée d'un supermarché, un chien qui court dans un magasin ou un enfant qui fait tomber un présentoir de produits ne sont que quelques exemples d'événements quotidiens qui peuvent être des cas limites pour l'IA de vision dans les environnements de vente au détail. La vision par ordinateur est de plus en plus utilisée pour améliorer l'expérience client en suivant le comportement des acheteurs, en surveillant le trafic piétonnier et en identifiant les produits sur les étagères. Cependant, ces situations réelles peuvent être difficiles à comprendre et à traiter avec précision pour les systèmes d'IA.
Bien que tous les scénarios ne puissent pas être représentés dans un jeu de données de vision par ordinateur, l'intégration d'Albumentations aide en augmentant les données pour couvrir de nombreuses situations possibles, telles qu'un éclairage inattendu, des angles inhabituels ou des obstructions. Cela aide les modèles de vision par ordinateur à s'adapter à diverses conditions, améliorant ainsi leur capacité à gérer les cas limites et à faire des prédictions précises dans des environnements de vente au détail dynamiques.
La collecte de données diverses du monde réel pour l'entraînement des modèles peut être compliquée, mais Albumentations facilite la tâche en créant des variations d'images qui aident les modèles à s'adapter à différentes conditions.
L'intégration d'Albumentations soutenue par Ultralytics simplifie le processus d'application de ces augmentations lors de l'entraînement personnalisé de YOLO11. Il en résulte une meilleure qualité des ensembles de données, ce qui profite à un large éventail d'industries en produisant des modèles Vision AI plus précis et plus fiables.
Rejoignez notre communauté et explorez notre dépôt GitHub pour en savoir plus sur l'IA, et consultez nos options de licence pour démarrer vos projets de Vision IA. Intéressé par des innovations telles que l'IA dans l'industrie manufacturière ou la vision par ordinateur dans la conduite autonome ? Visitez nos pages de solutions pour en savoir plus.
.webp)