Utiliser l'intégration ONNX pour exporter les modèles Ultralytics YOLO

Quand les AI solutions ont commencé à faire parler d'elles, la plupart des modèles étaient déployés sur des serveurs puissants dans des environnements contrôlés. Cependant, avec les progrès technologiques, le déploiement s'est étendu bien au-delà du centre de données.

Aujourd'hui, les modèles d'IA fonctionnent sur tout, des serveurs cloud et ordinateurs de bureau aux smartphones et périphériques de périphérie (edge). Ce changement favorise un traitement plus rapide, une fonctionnalité hors ligne et des systèmes plus intelligents qui opèrent plus près de l'endroit où les données sont générées.

L'un des domaines où cela est particulièrement évident est la computer vision, une branche de l'IA qui permet aux machines d'interpréter des données visuelles. Elle est utilisée pour alimenter des applications telles que 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 de manière fluide sur divers matériels et plateformes s'accroît également.

Mais déployer des modèles de vision par ordinateur sur diverses cibles de déploiement n'est pas toujours simple. Les appareils diffèrent en termes de matériel, de systèmes d'exploitation et de frameworks pris en charge, ce qui rend la flexibilité et la compatibilité essentielles.

C'est pourquoi il est essentiel de pouvoir exporter des modèles de computer vision tels que Ultralytics YOLO11 vers différents formats. Par exemple, l'intégration ONNX (Open Neural Network Exchange) prise en charge par Ultralytics offre un moyen pratique de combler le fossé entre l'entraînement et le déploiement. ONNX est un format ouvert qui rend les modèles indépendants du framework et prêts pour le déploiement sur toutes les plateformes.

Fig 1. ONNX vous aide à prendre un modèle entraîné dans un framework et à l'exécuter facilement dans un autre.

Dans cet article, nous allons examiner de plus près l'ONNX integration prise en charge par Ultralytics et explorer comment exporter ton modèle YOLO11 pour un déploiement flexible et multi-plateforme.

Qu'est-ce que ONNX et ONNX Runtime ?#

L'Open Neural Network Exchange est un projet open-source qui définit un format standard pour les modèles d'apprentissage automatique. Initialement développé par Microsoft et Facebook, il permet aux développeurs d'entraîner un modèle dans un framework, comme PyTorch, et de l'exécuter dans un autre, tel que TensorFlow. Cela rend le développement d'IA plus flexible, collaboratif et accessible, notamment 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 de modèles entre différents outils, frameworks, runtimes et compilateurs. Normalement, un modèle entraîné dans 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 (Central Processing Units), des GPUs (Graphics Processing Units), des appareils mobiles ou du matériel en périphérie.

De plus, ONNX Runtime est un moteur d'inférence haute performance développé spécifiquement pour exécuter des modèles au format ONNX. Il est conçu pour rendre les modèles ONNX plus rapides et plus efficaces sur une large gamme de plateformes, y compris les serveurs, les appareils mobiles et le matériel en périphérie. ONNX Runtime est compatible avec des frameworks populaires comme PyTorch, TensorFlow, TensorFlow Lite et scikit-learn, ce qui facilite son intégration dans différents flux de travail et le déploiement de modèles là où ils sont nécessaires.

Fig 2. ONNX et ONNX Runtime permettent un déploiement de modèles multi-plateforme flexible.

Fonctionnalités clés de ONNX#

Avant de voir comment exporter Ultralytics YOLO11 au format ONNX, découvrons quelques fonctionnalités clés du format de modèle ONNX.

Que tu changes d'outils, que tu déploies sur différents appareils ou que tu mettes à niveau des systèmes, ONNX aide à maintenir le bon fonctionnement de tout. Voici ce qui rend le format de modèle ONNX unique :

• Un format standard : ONNX utilise une manière commune de décrire la construction des modèles, comme les couches et les opérations (pense à eux comme des blocs de construction). Lorsqu'un modèle est converti en ONNX, il suit cette norme afin que tout système prenant en charge ONNX puisse le comprendre et l'exécuter.

• Compatibilité ascendante : Même si ONNX continue de s'améliorer, il garantit que les anciens modèles fonctionnent toujours avec les nouvelles versions. Cela signifie que tu n'as pas besoin de réentraîner ou de reconstruire tes modèles à chaque fois qu'ONNX reçoit une mise à jour.

• Conception de modèle basée sur un graphe : 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 les arêtes indiquent le flux de données. Cette conception basée sur les graphes facilite l'intégration avec divers systèmes qui utilisent des structures de graphes de calcul similaires.

• Outils conviviaux pour les développeurs : Il est accompagné d'une large gamme d'outils qui t'aident à convertir, valider et optimiser tes modèles. Ces outils simplifient le processus de déplacement des modèles entre différents frameworks et peuvent accélérer le déploiement, en particulier pour les applications de vision par ordinateur.

Un aperçu de l'intégration ONNX#

L'exportation de Ultralytics YOLO models tels que Ultralytics YOLO11 au format ONNX est simple et peut s'effectuer en quelques étapes.

Pour commencer, installe le Ultralytics Python package à l'aide d'un gestionnaire de paquets comme pip. Pour ce faire, exécute la commande “pip install ultralytics” dans ton invite de commande ou ton terminal.

Avec le paquet Ultralytics, tu peux facilement entraîner, tester, affiner, exporter et déployer des modèles pour diverses tâches de computer vision, ce qui rend l'ensemble du processus plus rapide et plus efficace. Si tu rencontres des difficultés lors de l'installation, tu peux consulter le Common Issues guide pour trouver des solutions et des conseils.

Une fois le package Ultralytics installé, tu peux charger et exporter le modèle YOLO11 vers le format ONNX en utilisant le code ci-dessous. Cet exemple charge un modèle YOLO11 pré-entraîné (yolo11n.pt) et l'exporte en tant que fichier ONNX (yolo11n.onnx), le rendant prêt pour un déploiement sur différentes plateformes et appareils.

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

L'exemple ci-dessous montre comment charger le modèle YOLO11 exporté (yolo11n.onnx) et exécuter une inférence avec lui. L'inférence signifie simplement utiliser le modèle entraîné pour faire des prédictions sur de nouvelles données. Dans ce cas, nous utiliserons l'URL d'une image de bus pour tester le modèle.

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

Fig. 3 : Exécution d'une inférence à l'aide du modèle exporté Ultralytics YOLO11 sur une image.

Quand devrais-tu choisir l'intégration ONNX ?#

Le paquet Python d'Ultralytics prend en charge exporting models vers plusieurs formats, notamment TorchScript, CoreML, TensorRT et ONNX. Alors, pourquoi choisir ONNX ?

Ce qui distingue ONNX, c'est qu'il s'agit d'un format agnostique par rapport aux frameworks. Alors que de nombreux autres formats d'exportation sont liés à des outils ou environnements spécifiques, ONNX utilise un format standardisé et un ensemble partagé d'opérateurs. Cela le rend hautement portable, compatible avec le matériel et idéal pour un déploiement multiplateforme, que tu travailles avec des serveurs cloud, des applications mobiles ou des appareils en périphérie.

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

• Déploiement portable : Une fois exporté vers ONNX, ton modèle Ultralytics YOLO11 peut être déployé sur diverses plateformes sans modification de code ni réentraînement.

• Prise en charge à l'échelle de l'industrie : ONNX est pris en charge par les grandes entreprises et les frameworks d'IA, ce qui en fait un format fiable et largement accepté. Il garantit une compatibilité à long terme, un peu comme la façon dont les PDF fonctionnent sur tous les appareils.

• Développement pérenne : Utiliser ONNX aide à protéger tes investissements dans les modèles. À mesure que les outils évoluent, ONNX maintient tes modèles pertinents et utilisables, même dans des environnements nouveaux ou différents.

• Pas de verrouillage propriétaire : Certains outils te lient à l'utilisation exclusive de leur système, ce qui peut limiter ce que ton modèle peut faire. ONNX évite cela en te laissant choisir la plateforme qui correspond le mieux à tes besoins, sans être coincé avec une configuration unique.

Applications de Ultralytics YOLO11 et du format de modèle ONNX#

Ensuite, explorons quelques applications du monde réel où Ultralytics YOLO11 peut être déployé à l'aide de l'intégration ONNX.

Suivi des stocks dans les entrepôts à l'aide de Ultralytics YOLO11#

Dans les entrepôts très fréquentés, il est difficile de garder un œil sur chaque produit et colis en tout temps. Les systèmes de vision par ordinateur peuvent aider les travailleurs à trouver des produits sur les étagères et à obtenir des informations telles que le nombre de produits, le type, etc. De tels systèmes peuvent aider les entreprises à gérer automatiquement leur vaste inventaire et à faire gagner beaucoup de temps aux employés d'entrepôt.

Plus précisément, dans les entrepôts intelligents, les modèles Ultralytics YOLO11 exportés vers ONNX peuvent être utilisés pour identifier et compter des articles en temps réel à l'aide de caméras et d'appareils de périphérie (edge devices). Le modèle exporté peut aider à scanner des étagères ou des palettes pour détecter les niveaux de stock, les articles manquants ou les emplacements vides. Comme l'exportation vers ONNX rend le modèle léger et efficace, il peut s'exécuter directement sur de petits appareils de périphérie, tels que des caméras intelligentes, éliminant ainsi le besoin de serveurs coûteux ou d'un accès constant au cloud.

Fig 4. Un exemple d'utilisation de YOLO11 pour détecter et compter des colis.

Gestion des déchets hospitaliers avec Ultralytics YOLO11#

Les hôpitaux du monde entier génèrent de grandes quantités de déchets chaque jour, qu'il s'agisse de gants et de seringues usagés ou d'équipements utilisés pendant la chirurgie (tels que des instruments chirurgicaux à usage unique ou contaminés comme des ciseaux et des scalpels). En fait, des recherches montrent que les hôpitaux produisent environ 5 millions de tonnes de déchets chaque année, soit 29 livres de waste per bed par jour.

Trier correctement ces déchets est essentiel pour l'hygiène, la sécurité et le respect des réglementations. Avec des 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 zones telles que les salles d'opération ou les couloirs peuvent surveiller les articles au fur et à mesure qu'ils sont jetés. Un modèle Ultralytics YOLO11 personnalisé, entraîné à reconnaître différents types de déchets médicaux, peut analyser les images et identifier ce qui est jeté. Si un article finit dans la mauvaise poubelle, comme une seringue usagée dans les ordures ménagères, le système peut être configuré pour alerter immédiatement le personnel avec un signal lumineux ou sonore, contribuant ainsi à prévenir la contamination et à garantir la conformité.

Fig 5. Utilisation d'Ultralytics YOLO11 pour détecter des instruments médicaux.

Surveillance des cultures activée par Ultralytics YOLO11#

Connaître le bon moment pour récolter les cultures peut avoir un impact majeur à la fois sur la qualité des produits et sur la productivité globale d'une ferme. Traditionnellement, les agriculteurs comptent sur leur expérience et des inspections manuelles, mais avec les récentes avancées technologiques, cela commence à changer.

Désormais, grâce aux innovations en matière de computer vision telles que YOLO11, exportées au format ONNX, les agriculteurs peuvent apporter l'automatisation et la précision sur le terrain. En utilisant des drones ou des caméras montés sur des tracteurs ou des poteaux, les agriculteurs peuvent capturer des images de leurs cultures (telles que des tomates, des pommes ou du blé). YOLO11 peut ensuite être utilisé pour détecter des indicateurs clés tels que la couleur, la taille et la distribution of crops. Sur la base de ces informations, les agriculteurs peuvent déterminer si les cultures sont prêtes à être récoltées, si elles continuent à mûrir ou si elles ont déjà dépassé leur pic.

Fig 6. YOLO11 peut être utilisé pour détecter des cultures dans des images aériennes de drones.

Limites d'ONNX à prendre en compte#

Bien qu'ONNX offre de nombreux avantages, tels que la portabilité, la compatibilité multiplateforme et l'interopérabilité entre les frameworks, il y a quelques limites à garder à l'esprit :

• Model size : La conversion de modèles au format ONNX peut parfois entraîner des tailles de fichiers plus importantes par rapport à leurs formats d'origine. Des techniques telles que la quantization and pruning peuvent aider à atténuer ce problème en réduisant la taille du modèle sans impacter significativement les performances.

• Compatibilité de l'environnement d'exécution : Bien qu'ONNX Runtime soit conçu pour une compatibilité multiplateforme, les performances et la prise en charge peuvent varier selon le matériel et les systèmes d'exploitation.

• Défis de débogage : Le débogage des modèles ONNX peut être plus complexe que dans les frameworks natifs comme PyTorch ou TensorFlow. Les messages d'erreur peuvent être moins descriptifs, ce qui rend plus difficile la localisation des problèmes. Cependant, des outils comme Netron pour la visualisation des modèles et les capacités de journalisation d'ONNX Runtime peuvent aider au dépannage.

Points clés#

Exporter Ultralytics YOLO11 vers ONNX facilite la prise d'un modèle de vision par ordinateur entraîné pour le déployer presque partout, que ce soit sur un ordinateur portable, un appareil mobile ou même une caméra intelligente compacte. Avec l'intégration ONNX, tu n'es pas lié à un framework ou une plateforme unique, ce qui te donne la flexibilité d'exécuter ton modèle dans l'environnement qui convient le mieux à ton application.

Cela rend la transition de l'entraînement au déploiement réel plus rapide et plus efficace. Que tu suives l'inventaire dans un entrepôt ou que tu t'assures que les déchets hospitaliers sont éliminés correctement, cette configuration aide les systèmes à fonctionner plus facilement, réduit les erreurs et fait gagner un temps précieux.

Tu souhaites en savoir plus sur la computer vision et l'IA ? Explore notre GitHub repository, connecte-toi avec our community et consulte our licensing options pour donner un coup d'accélérateur à ton projet de computer vision. Si tu explores des innovations telles que l'AI in manufacturing et la computer vision in the automotive industrie, visite nos pages de solutions pour en découvrir davantage.