Utiliser l’intégration ONNX pour exporter des modèles Ultralytics YOLO

Lorsque les solutions d’IA ont commencé à attirer l’attention, la plupart des modèles étaient déployés sur des serveurs puissants dans des environnements contrôlés. Cependant, les progrès technologiques ont considérablement élargi les possibilités de déploiement, bien au-delà des centres de données.

Aujourd’hui, les modèles d’IA fonctionnent sur toutes sortes d’appareils, des serveurs cloud et ordinateurs de bureau aux smartphones et appareils en périphérie. Cette évolution permet un traitement plus rapide, un fonctionnement hors ligne et des systèmes plus intelligents qui opèrent plus près de la source des données.

Un domaine où cette évolution est particulièrement manifeste est celui de la vision par ordinateur, une branche de l’IA qui permet aux machines d’interpréter des données visuelles. Elle alimente des applications comme la reconnaissance faciale, la conduite autonome et l’analyse vidéo en temps réel. À mesure que ces cas d’usage se multiplient, le besoin de modèles capables de fonctionner efficacement sur différents matériels et plateformes augmente également.

Cependant, déployer des modèles de vision par ordinateur sur différentes cibles n’est pas toujours simple. Les appareils diffèrent par leur matériel, leur système d’exploitation et les frameworks pris en charge, ce qui rend indispensables la flexibilité et la compatibilité.

C’est pourquoi il est essentiel de pouvoir exporter des modèles de vision par ordinateur comme Ultralytics YOLO11 vers différents formats. Par exemple, l’intégration ONNX (format ouvert d’échange de réseaux neuronaux), prise en charge par Ultralytics, offre un moyen pratique de combler l’écart entre l’entraînement et le déploiement. ONNX est un format ouvert qui rend les modèles indépendants des frameworks et prêts à être déployés sur différentes plateformes.

Fig. 1. ONNX te permet de prendre un modèle entraîné avec un framework et de l’exécuter facilement avec un autre.

Dans cet article, nous allons examiner de plus près l’intégration ONNX prise en charge par Ultralytics et voir comment exporter ton modèle YOLO11 pour le déployer facilement sur différentes plateformes.

Qu’est-ce qu’ONNX et ONNX Runtime ?#

Open Neural Network Exchange est un projet open source qui définit un format standard pour les modèles d’apprentissage automatique. Développé à l’origine par Microsoft et Facebook, il permet aux développeurs d’entraîner un modèle avec un framework, comme PyTorch, puis de l’exécuter avec un autre, comme TensorFlow. Cette approche rend le développement de l’IA plus flexible, collaboratif et accessible, en particulier dans des domaines comme la vision par ordinateur.

ONNX fournit un ensemble commun d’opérateurs et un format de fichier unifié, ce qui facilite le transfert des modèles entre différents outils, frameworks, environnements d’exécution et compilateurs. En temps normal, un modèle entraîné avec un framework n’est pas facilement compatible avec un autre, mais avec ONNX, tu peux exporter ton modèle une seule fois et le déployer presque partout : sur des CPU (unités centrales), des GPU (unités de traitement graphique), des appareils mobiles ou du matériel de périphérie.

De plus, ONNX Runtime est un moteur d’inférence haute performance conçu spécifiquement pour exécuter des modèles au format ONNX. Il est pensé pour accélérer l’exécution des modèles ONNX et améliorer leur efficacité sur un large éventail de plateformes, notamment les serveurs, les appareils mobiles et le matériel de périphérie. ONNX Runtime est compatible avec des frameworks populaires comme PyTorch, TensorFlow, TensorFlow Lite et scikit-learn, ce qui facilite son intégration à différents workflows et le déploiement des modèles là où ils sont nécessaires.

Fig. 2. ONNX et ONNX Runtime permettent de déployer des modèles facilement sur différentes plateformes.

Principales caractéristiques d’ONNX#

Avant de voir comment exporter Ultralytics YOLO11 au format ONNX, examinons quelques caractéristiques clés de ce format de modèle.

Que tu passes d’un outil à un autre, déploies ton modèle sur différents appareils ou mettes à niveau tes systèmes, ONNX t’aide à assurer le bon déroulement des opérations. Voici ce qui rend le format de modèle ONNX unique :

• Un format standard : ONNX utilise une méthode commune pour décrire la structure des modèles, notamment leurs couches et leurs opérations (considère-les comme des éléments constitutifs). Lorsqu’un modèle est converti au format ONNX, il respecte cette norme, de sorte que tout système prenant en charge ONNX puisse le comprendre et l’exécuter.

• Compatibilité ascendante : Même si ONNX continue d’évoluer, les anciens modèles restent compatibles avec les versions plus récentes. Tu n’as donc pas besoin de réentraîner ou de reconstruire tes modèles à chaque mise à jour d’ONNX.

• Conception des modèles sous forme de graphes : Les modèles ONNX sont structurés sous forme de graphes de calcul, où chaque nœud représente une opération (comme une couche ou une fonction mathématique) et chaque arête indique le flux de données. Cette conception facilite l’intégration avec les différents systèmes qui utilisent des structures de graphes de calcul similaires.

• Outils adaptés aux développeurs : ONNX s’accompagne d’un large éventail d’outils pour convertir, valider et optimiser tes modèles. Ces outils simplifient le transfert des modèles entre différents frameworks et peuvent accélérer le déploiement, en particulier pour les applications de vision par ordinateur.

Présentation de l’intégration ONNX#

L’exportation des modèles Ultralytics YOLO, comme Ultralytics YOLO11, au format ONNX est simple et se fait en quelques étapes.

Pour commencer, installe le package Python Ultralytics à l’aide d’un gestionnaire de paquets comme « pip ». Pour cela, exécute la commande « pip install ultralytics » dans ton invite de commandes ou ton terminal.

Avec le package Ultralytics, tu peux facilement entraîner, tester, affiner, exporter et déployer des modèles pour diverses tâches de vision par ordinateur, ce qui rend l’ensemble du processus plus rapide et plus efficace. Si tu rencontres des difficultés lors de l’installation, consulte le guide des problèmes courants pour trouver des solutions et des conseils.

Une fois le package Ultralytics installé, tu peux charger et exporter le modèle YOLO11 au format ONNX à l’aide du code ci-dessous. Cet exemple charge un modèle YOLO11 préentraîné (yolo11n.pt) et l’exporte sous forme de fichier ONNX (yolo11n.onnx), prêt à être déployé sur différentes plateformes et différents appareils.

Après avoir converti ton modèle au format ONNX, tu peux le déployer sur différentes plateformes.

L’exemple ci-dessous montre comment charger le modèle YOLO11 exporté (yolo11n.onnx) et exécuter une inférence avec celui-ci. L’inférence consiste simplement à utiliser le modèle entraîné pour effectuer des prédictions sur de nouvelles données. Dans cet exemple, nous allons utiliser l’URL d’une image de bus pour tester le modèle.

Lorsque tu exécutes ce code, l’image de sortie suivante est enregistrée dans le dossier runs/detect/predict.

Fig. 3. Exécution d’une inférence sur une image avec le modèle Ultralytics YOLO11 exporté.

Quand choisir l’intégration ONNX ?#

Le package Python Ultralytics prend en charge l’exportation de modèles vers plusieurs formats, notamment TorchScript, CoreML, TensorRT et ONNX. Alors, pourquoi choisir ONNX ?

ONNX se distingue par son format indépendant des frameworks. Alors que de nombreux autres formats d’exportation sont liés à des outils ou des environnements spécifiques, ONNX utilise un format normalisé et un ensemble partagé d’opérateurs. Il est donc très portable, adapté au matériel et idéal pour le déploiement multiplateforme, que tu travailles avec des serveurs cloud, des applications mobiles ou des appareils de périphérie.

Voici quelques raisons pour lesquelles l’intégration ONNX pourrait être le choix idéal pour tes projets Ultralytics YOLO11 :

• Déploiement portable : Une fois exporté au format ONNX, ton modèle Ultralytics YOLO11 peut être déployé sur différentes plateformes sans modifier le code ni le réentraîner.

• Prise en charge à l’échelle du secteur : ONNX est pris en charge par de grandes entreprises spécialisées dans l’IA et par de nombreux frameworks, ce qui en fait un format fiable et largement reconnu. Il garantit une compatibilité à long terme, un peu comme les PDF qui fonctionnent sur différents appareils.

• Un développement pérenne : L’utilisation d’ONNX contribue à protéger tes investissements dans les modèles. À mesure que les outils évoluent, ONNX permet à tes modèles de rester pertinents et utilisables, même dans de nouveaux environnements ou des environnements différents.

• Aucune dépendance à un fournisseur : Certains outils t’obligent à utiliser uniquement leur système, ce qui peut limiter les possibilités de ton modèle. ONNX évite ce problème en te laissant choisir la plateforme la mieux adaptée à tes besoins, sans t’enfermer dans une configuration unique.

Applications d’Ultralytics YOLO11 et du format de modèle ONNX#

Voyons maintenant quelques applications concrètes dans lesquelles Ultralytics YOLO11 peut être déployé grâce à l’intégration ONNX.

Suivi des stocks dans les entrepôts avec Ultralytics YOLO11#

Dans les entrepôts très fréquentés, il est difficile de surveiller en permanence chaque produit et chaque colis. Les systèmes de vision par ordinateur peuvent aider les employés à repérer les produits dans les rayons et à obtenir des informations telles que le nombre et le type de produits. Ces systèmes peuvent aider les entreprises à gérer automatiquement leurs stocks importants et faire gagner beaucoup de temps au personnel des entrepôts.

Plus précisément, dans les entrepôts intelligents, les modèles Ultralytics YOLO11 exportés au format ONNX peuvent servir à identifier et compter des articles en temps réel à l’aide de caméras et d’appareils de périphérie. Le modèle exporté peut analyser les rayons ou les palettes pour détecter les niveaux de stock, les articles manquants ou les emplacements vides. Comme l’exportation au format ONNX rend le modèle léger et efficace, celui-ci peut s’exécuter directement sur de petits appareils de périphérie, comme des caméras intelligentes, sans nécessiter de serveurs coûteux ni d’accès permanent au cloud.

Fig. 4. Exemple de détection et de comptage de colis avec YOLO11.

Gestion des déchets hospitaliers avec Ultralytics YOLO11#

Les hôpitaux du monde entier produisent chaque jour de grandes quantités de déchets, des gants et seringues usagés au matériel utilisé pendant les opérations (comme les instruments chirurgicaux à usage unique ou contaminés, tels que les ciseaux et les scalpels). En fait, des études montrent que les hôpitaux produisent environ 5 millions de tonnes de déchets par an, soit 29 livres de déchets par lit et par jour.

Le tri adéquat de ces déchets est essentiel pour garantir l’hygiène et la sécurité, ainsi que le respect de la réglementation. Grâce aux modèles Ultralytics YOLO11 exportés au format ONNX, les hôpitaux peuvent automatiser et surveiller l’élimination des déchets en temps réel.

Par exemple, des caméras placées près des poubelles dans des endroits comme les salles d’opération ou les couloirs peuvent surveiller les objets jetés. Un modèle Ultralytics YOLO11 personnalisé, entraîné à reconnaître différents types de déchets médicaux, peut analyser les images et identifier les objets jetés. Si un objet est placé dans la mauvaise poubelle, comme une seringue usagée dans les déchets ordinaires, le système peut avertir immédiatement le personnel par un signal lumineux ou sonore, contribuant ainsi à prévenir la contamination et à garantir la conformité.

Fig. 5. Détection d’instruments médicaux avec Ultralytics YOLO11.

Surveillance des cultures avec Ultralytics YOLO11#

Savoir quand récolter les cultures peut avoir un impact important sur la qualité des produits et la productivité globale d’une exploitation agricole. Traditionnellement, les agriculteurs se fient à leur expérience et effectuent des inspections manuelles, mais les progrès récents de la technologie commencent à changer la donne.

Désormais, grâce aux innovations en vision par ordinateur comme YOLO11, exporté au format ONNX, les agriculteurs peuvent automatiser et améliorer la précision de leurs opérations sur le terrain. À l’aide de drones ou de caméras montées sur des tracteurs ou des poteaux, ils peuvent prendre des images de leurs cultures (comme des tomates, des pommes ou du blé). YOLO11 peut ensuite détecter des indicateurs clés comme la couleur, la taille et la répartition des cultures. À partir de ces informations, les agriculteurs peuvent déterminer si les cultures sont prêtes à être récoltées, encore en maturation ou si leur période optimale est déjà passée.

Fig. 6. YOLO11 peut servir à détecter des cultures dans des images aériennes prises par drone.

Limites d’ONNX à prendre en compte#

ONNX présente de nombreux avantages, comme la portabilité, la compatibilité multiplateforme et l’interopérabilité entre frameworks, mais il faut aussi garder à l’esprit certaines limites :

• Taille du modèle : La conversion de modèles au format ONNX peut parfois produire des fichiers plus volumineux que les formats d’origine. Des techniques comme la quantification et l’élagage peuvent aider à limiter ce problème en réduisant la taille du modèle sans dégrader significativement ses performances.

• Compatibilité de l’environnement d’exécution : Bien qu’ONNX Runtime soit conçu pour être compatible avec différentes plateformes, les performances et la prise en charge peuvent varier selon le matériel et les systèmes d’exploitation.

• Difficultés de débogage : Le débogage des modèles ONNX peut être plus complexe qu’avec des frameworks natifs comme PyTorch ou TensorFlow. Les messages d’erreur sont parfois moins explicites, ce qui complique l’identification des problèmes. Toutefois, des outils comme Netron pour visualiser les modèles et les fonctionnalités de journalisation d’ONNX Runtime peuvent aider au dépannage.

Points clés à retenir#

L’exportation d’Ultralytics YOLO11 au format ONNX facilite le déploiement presque partout d’un modèle de vision par ordinateur entraîné, que ce soit sur un ordinateur portable, un appareil mobile ou même une caméra intelligente compacte. Grâce à l’intégration ONNX, tu n’es lié à aucun framework ni à aucune plateforme, et tu peux exécuter ton modèle dans l’environnement le mieux adapté à ton application.

La transition entre l’entraînement et le déploiement en conditions réelles est ainsi plus rapide et plus efficace. Que tu suives des stocks dans un entrepôt ou veilles à ce que les déchets hospitaliers soient éliminés correctement, cette configuration contribue au bon fonctionnement des systèmes, réduit les erreurs et fait gagner un temps précieux.

Tu veux en savoir plus sur la vision par ordinateur et l’IA ? Découvre notre dépôt GitHub, rejoins notre communauté et consulte nos options de licence pour lancer ton projet de vision par ordinateur. Si tu explores des innovations comme l’IA dans l’industrie manufacturière et la vision par ordinateur dans l’industrie automobile, consulte nos pages consacrées aux solutions pour en savoir plus.