Utiliser l’intégration ONNX pour exporter les 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, à mesure que la technologie a progressé, le déploiement s’est étendu bien au-delà des centres de données.

Aujourd’hui, les modèles d’IA s’exécutent sur tout type d’environnement, des serveurs cloud et ordinateurs de bureau aux smartphones et appareils edge. Cette évolution permet un traitement plus rapide, un fonctionnement hors ligne et des systèmes plus intelligents qui opèrent au plus près de l’endroit où les données sont générées.

Un domaine où cela est particulièrement évident est la vision par ordinateur, une branche de l’IA qui permet aux machines d’interpréter des données visuelles. Elle est utilisée pour alimenter des applications comme la reconnaissance faciale, la conduite autonome et l’analyse vidéo en temps réel. À mesure que ces cas d’usage se développent, le besoin de modèles capables de fonctionner efficacement sur une grande diversité de matériels et de plateformes augmente lui aussi.

Mais déployer des modèles de vision par ordinateur sur un large éventail de cibles de déploiement n’est pas toujours simple. Les appareils diffèrent par leur matériel, leur système d’exploitation et les 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 vision par ordinateur comme Ultralytics YOLO11 vers différents formats. Par exemple, l’intégration ONNX (Échange de réseaux neuronaux ouvert) 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 t’aide à prendre un modèle entraîné avec un framework et à 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 un déploiement flexible multiplateforme.

Qu’est-ce qu’ONNX et ONNX Runtime ?#

L’Échange de réseaux neuronaux ouvert est un projet open source qui définit un format standard pour les modèles de machine learning. Initialement développé 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. Cela rend le développement de l’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 déplacement des modèles entre différents outils, frameworks, runtimes et compilateurs. Normalement, 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 de traitement), des GPU (processeurs graphiques), des appareils mobiles ou du matériel edge.

Par ailleurs, ONNX Runtime est un moteur d’inférence haute performance développé spécifiquement pour exécuter des modèles au format ONNX. Il est conçu pour permettre aux modèles ONNX de fonctionner plus rapidement et plus efficacement sur un large éventail de plateformes, notamment des serveurs, des appareils mobiles et du matériel edge. ONNX Runtime est compatible avec des frameworks populaires comme PyTorch, TensorFlow, TensorFlow Lite et scikit-learn, ce qui facilite son intégration dans différents workflows et le déploiement des modèles là où ils sont nécessaires.

Fig. 2 ONNX et ONNX Runtime permettent un déploiement flexible de modèles multiplateforme.

Fonctionnalités clés d’ONNX#

Avant d’expliquer comment exporter Ultralytics YOLO11 au format ONNX, examinons quelques fonctionnalités clés du format de modèle ONNX.

Que tu changes d’outil, déploies sur différents appareils ou mettes à niveau tes systèmes, ONNX aide à maintenir un fonctionnement fluide. Voici ce qui rend le format de modèle ONNX unique :

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

• Rétrocompatibilité : Même si ONNX continue de s’améliorer, il garantit que les anciens modèles restent compatibles avec les nouvelles versions. Tu n’as donc pas besoin de réentraîner ou de reconstruire tes modèles chaque fois qu’ONNX est mis à jour.

• Conception des modèles fondée sur des graphes : Les modèles ONNX sont structurés sous forme de graphes de calcul, dans lesquels chaque nœud représente une opération (comme une couche ou une fonction mathématique), tandis que les arêtes indiquent le flux des données. Cette conception fondée sur des graphes facilite l’intégration avec divers systèmes qui utilisent des structures de graphes de calcul similaires.

• Outils adaptés aux développeurs : ONNX s’accompagne d’un large éventail d’outils qui t’aident à convertir, valider et optimiser tes modèles. Ces outils simplifient le déplacement des modèles entre différents frameworks et peuvent accélérer le déploiement, notamment pour les applications de vision par ordinateur.

Présentation de l’intégration ONNX#

Exporter des modèles Ultralytics YOLO, comme Ultralytics YOLO11, au format ONNX est simple et peut se faire en quelques étapes.

Pour commencer, installe le package Python Ultralytics à l’aide d’un gestionnaire de packages 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), afin de le rendre 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. Faire une inférence consiste simplement à utiliser le modèle entraîné pour effectuer 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 est enregistrée dans le dossier runs/detect/predict.

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

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 ?

Ce qui distingue ONNX, c’est qu’il s’agit d’un format indépendant des 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. Il est ainsi très portable, adapté au matériel et idéal pour un déploiement multiplateforme, que tu travailles avec des serveurs cloud, des applications mobiles ou des appareils edge.

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 réentraîner le modèle.

• Prise en charge étendue dans le secteur : ONNX est pris en charge par de grandes entreprises et frameworks d’IA, ce qui en fait un format fiable et largement accepté. Il garantit une compatibilité à long terme, comme les PDF qui fonctionnent sur différents appareils.

• Développement pérenne : Utiliser 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 des environnements nouveaux ou différents.

• Absence de dépendance à un fournisseur : Certains outils t’obligent à utiliser uniquement leur système, ce qui peut limiter les possibilités de ton modèle. ONNX évite cela en te permettant de choisir la plateforme la mieux adaptée à tes besoins, sans rester bloqué sur une configuration unique.

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

Examinons 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 chaque produit et chaque colis en permanence. Les systèmes de vision par ordinateur peuvent aider les employés à trouver les produits dans les rayons et à obtenir des informations comme le nombre et le type de produits. De tels systèmes peuvent aider les entreprises à gérer automatiquement leurs stocks considérables et faire gagner beaucoup de temps aux employés 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 edge. Le modèle exporté peut aider à scanner les rayons ou les palettes afin de détecter les niveaux de stock, les articles manquants ou les emplacements vides. Comme l’exportation au format ONNX rend le modèle léger et efficace, il peut s’exécuter directement sur de petits appareils edge, comme des caméras intelligentes, éliminant ainsi le besoin de serveurs coûteux ou d’un accès permanent au cloud.

Fig. 4 Exemple d’utilisation de YOLO11 pour détecter et compter des colis.

Gestion des déchets hospitaliers avec Ultralytics YOLO11#

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

Le tri correct de ces déchets est essentiel pour l’hygiène, la sécurité et le respect de la réglementation. 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 comme les salles d’opération ou les couloirs peuvent surveiller les articles au moment où 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 déchets ordinaires, le système peut être configuré pour alerter immédiatement le personnel par 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 avec Ultralytics YOLO11#

Connaître le bon moment pour récolter les cultures peut avoir un impact important à la fois sur la qualité des produits et sur la productivité globale d’une exploitation agricole. Traditionnellement, les agriculteurs s’appuient sur leur expérience et sur des inspections manuelles, mais les récentes avancées technologiques commencent à changer la donne.

Désormais, grâce aux innovations en vision par ordinateur comme YOLO11, exporté au format ONNX, les agriculteurs peuvent introduire automatisation et précision dans leurs champs. À l’aide de drones ou de caméras montées sur des tracteurs ou des poteaux, ils peuvent capturer des images de leurs cultures (comme des tomates, des pommes ou du blé). YOLO11 peut ensuite servir à 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 déjà passées à leur meilleur stade.

Fig. 6. YOLO11 peut être utilisé pour détecter des cultures dans des images aériennes prises par drone.

Limites d’ONNX à prendre en compte#

Bien qu’ONNX offre de nombreux avantages, comme la portabilité, la compatibilité multiplateforme et l’interopérabilité entre frameworks, certaines limites doivent être prises en compte :

• Taille du modèle : La conversion des modèles au format ONNX peut parfois produire des fichiers plus volumineux que dans leur format d’origine. Des techniques comme la quantification et l’élagage peuvent contribuer à réduire ce problème en diminuant la taille du modèle sans affecter significativement ses performances.

• Compatibilité du runtime : 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 peuvent être moins descriptifs, ce qui rend plus difficile l’identification précise des problèmes. Cependant, des outils comme Netron pour la visualisation des modèles et les fonctionnalités de journalisation d’ONNX Runtime peuvent aider au dépannage.

Points clés à retenir#

Exporter Ultralytics YOLO11 vers ONNX permet de prendre facilement un modèle de vision par ordinateur entraîné et de 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 à une plateforme unique, ce qui te donne la flexibilité d’exécuter ton modèle dans l’environnement le mieux adapté à ton application.

Cela rend la transition entre l’entraînement et le déploiement dans le monde réel plus rapide et plus efficace. Que tu suives des stocks dans un entrepôt ou que tu veilles à l’élimination correcte des déchets hospitaliers, cette configuration aide les systèmes à fonctionner plus efficacement, réduit les erreurs et fait gagner un temps précieux.

Tu veux en savoir plus sur la vision par ordinateur et l’IA ? Explore 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 le secteur automobile, consulte nos pages consacrées aux solutions pour en savoir plus.