Utiliser Ultralytics YOLO11 pour exécuter des inférences par lots

Si tu as déjà vu une voiture autonome en action, tu as assisté à de l’inférence IA en temps réel. Une voiture autonome utilise généralement des caméras, des capteurs et l’IA pour analyser son environnement et prendre des décisions presque instantanément. Toutefois, lorsque des réponses rapides ne sont pas nécessaires, l’inférence en temps réel peut mobiliser beaucoup de ressources.

Dans ces cas, l’inférence par lots constitue une meilleure option. Au lieu de traiter les données en continu et en temps réel, elle peut gérer de grands ensembles de données à intervalles planifiés. Cette approche permet d’économiser des ressources, de réduire la consommation d’énergie et de diminuer les coûts d’infrastructure.

Par exemple, dans les applications de vision par ordinateur, des modèles comme Ultralytics YOLO11 peuvent être utilisés pour des tâches en temps réel comme la détection d’objets et la segmentation d’instances. Toutefois, le traitement de grands volumes de données visuelles en temps réel peut être exigeant.

Fig. 1. Exemple de segmentation d’objets dans une image avec Ultralytics YOLO11.

Avec l’inférence par lots, Ultralytics YOLO11 peut traiter les données visuelles par lots, réduisant ainsi la charge du système et améliorant l’efficacité sans sacrifier les performances. Il devient ainsi plus facile de déployer des solutions de Vision AI à grande échelle sans surcharger le matériel ni augmenter les coûts.

Dans cet article, nous allons présenter l’inférence par lots, ses avantages et les applications de l’inférence par lots avec Ultralytics YOLO11 en vision par ordinateur.

L’inférence par lots en vision par ordinateur#

Tu peux voir l’inférence par lots comme le fait d’accomplir une grande tâche d’un seul coup plutôt que de la traiter morceau par morceau à mesure qu’elle arrive. Au lieu de traiter constamment les données en temps réel, l’inférence par lots permet de traiter de grands groupes de données à intervalles définis. Cette approche est beaucoup plus efficace lorsqu’une réponse immédiate n’est pas nécessaire : elle permet d’économiser des ressources de calcul, de réduire la consommation d’énergie et de diminuer les coûts.

En vision par ordinateur, certaines applications exigent une faible latence. La faible latence désigne le délai minimal entre la réception d’une entrée (comme une image ou une trame vidéo) et la réponse du système. Par exemple, dans la surveillance de sécurité en temps réel, même de petits délais peuvent entraîner des risques pour la sécurité.

Cependant, dans de nombreux autres scénarios de vision par ordinateur, la faible latence n’est pas aussi cruciale. C’est là que l’inférence par lots excelle : lorsque le système n’a pas besoin de réagir immédiatement. Elle consiste à transmettre des données visuelles à un modèle de vision par ordinateur par groupes ou lots, ce qui permet au système de traiter de grands jeux de données en une fois plutôt qu’en continu et en temps réel.

Comprendre le fonctionnement de l’inférence par lots#

Voici les différentes étapes de l’inférence par lots :

• Collecte des données : les données visuelles sont collectées sur une période donnée. Selon l’application, il peut s’agir d’images de vidéosurveillance, de photos de produits ou de données sur les clients.
• Préparation des lots : les données collectées sont ensuite regroupées en lots. À cette étape, elles sont mises en forme selon les exigences du modèle. Par exemple, les images peuvent être redimensionnées, normalisées ou converties dans le format adapté au traitement par le modèle.
• Prédiction : Une fois les données préparées, le lot complet est transmis au modèle, par exemple Ultralytics YOLO11, qui le traite en une seule fois. Le modèle peut ainsi effectuer simultanément des prédictions sur toutes les données du lot, ce qui est plus efficace que de traiter chaque élément individuellement.

Quand utiliser l’inférence par lots ?#

Maintenant que nous avons vu ce qu’est l’inférence par lots et en quoi elle diffère de l’inférence en temps réel, examinons plus en détail quand l’utiliser.

L’inférence par lots est idéale pour analyser des données historiques. Supposons que tu disposes d’images de vidéosurveillance d’une station de métro datant du mois dernier et que tu souhaites repérer des tendances précises, comme le nombre de personnes qui entrent et sortent à différents moments de la journée.

Au lieu de traiter chaque trame en temps réel, l’inférence par lots permet de traiter en plusieurs lots l’ensemble des images du mois, afin de repérer des événements ou des tendances clés sans avoir besoin de résultats immédiats. Tu peux ainsi analyser plus efficacement de grands volumes de données et obtenir des informations sur les tendances à long terme, sans surcharger le système ni nécessiter une surveillance constante.

L’inférence par lots est également une solution optimale lorsque les ressources système sont limitées. En exécutant l’inférence pendant les heures creuses (par exemple, la nuit), tu peux réduire les coûts de calcul et éviter de surcharger le système pendant les périodes de forte utilisation. Cette approche est donc efficace et économique pour les entreprises ou les projets qui doivent traiter de grands jeux de données sans nécessiter d’analyse en temps réel.

Inférence par lots avec Ultralytics YOLO11#

Le package Python Ultralytics prend en charge l’inférence par lots pour des modèles comme YOLO11. Avec YOLO11, tu peux facilement lancer une inférence par lots en spécifiant l’argument d’inférence batch, qui détermine le nombre d’images ou d’images vidéo traitées à la fois.

Pendant l’inférence par lots, des prédictions sont générées simultanément pour toutes les images du lot. Par défaut, la taille du lot est définie sur 1, mais tu peux la modifier comme tu le souhaites. Le traitement par lots s’applique lorsque la source est un répertoire, un fichier vidéo ou un fichier .txt répertoriant les sources.

Par exemple, si la taille du lot est définie sur 5, Ultralytics YOLO11 traite cinq images ou images vidéo à la fois et génère simultanément des prédictions pour chacune d’elles. Une taille de lot plus importante augmente généralement le débit et réduit le temps total de traitement, car traiter plusieurs images en lot est plus efficace que de les traiter individuellement.

Applications de vision par ordinateur rendues possibles par l’inférence par lots#

Voyons maintenant quelques applications concrètes de l’inférence par lots en vision par ordinateur.

Améliorer le diagnostic et la recherche dans le domaine de la santé#

Dans la recherche médicale, le traitement de grandes quantités de données visuelles est très courant. L’inférence par lots peut aider les scientifiques à analyser plus facilement les données dans des domaines comme la chimie, la biologie et la génétique. Au lieu d’analyser les éléments un par un, les données sont traitées par lots, ce qui permet de gagner du temps et de réduire les efforts.

Par exemple, dans les établissements médicaux, l’inférence par lots peut être particulièrement utile pour analyser de grands ensembles d’images médicales, comme des IRM ou des scanners. Les hôpitaux peuvent collecter ces images tout au long de la journée, puis les traiter par lots pendant la nuit.

Cette approche permet aux hôpitaux de mieux exploiter leur matériel et leur personnel, de réduire les coûts opérationnels et de veiller à ce que toutes les images soient examinées de manière cohérente et uniforme. Elle est également bénéfique pour les grands projets de recherche et les études à long terme, qui nécessitent de traiter de vastes quantités de données.

Fig. 2. Détection d’une anomalie sur une image médicale avec Ultralytics YOLO11.

Améliorer les véhicules autonomes grâce aux simulations#

Les voitures autonomes utilisent des technologies d’IA comme la vision par ordinateur pour analyser leur environnement. Grâce à des modèles avancés comme Ultralytics YOLO11, les systèmes embarqués des voitures peuvent reconnaître les autres véhicules, les marquages au sol, les panneaux de signalisation et les piétons. Si l’inférence en temps réel est essentielle sur la route, la technologie de conduite autonome s’appuie également beaucoup sur l’inférence par lots en arrière-plan.

Fig. 3. YOLO11 peut facilement détecter les piétons sur la route.

Une fois qu’une voiture a terminé son trajet, les données qu’elle a collectées — heures de séquences vidéo, relevés de capteurs et scans LiDAR — peuvent être traitées ultérieurement en grands lots. Les ingénieurs peuvent ainsi mettre à jour les modèles d’IA de la voiture, renforcer la sécurité du système et améliorer sa capacité à gérer diverses conditions de conduite.

L’inférence par lots est également utilisée dans les simulations de conduite autonome pour tester la réaction des voitures autonomes dans différentes situations, comme le franchissement d’intersections très fréquentées ou la réaction à des déplacements imprévisibles de piétons. Cette approche permet de gagner du temps, de réduire les coûts et d’éviter les risques associés aux tests de tous les scénarios en conditions réelles.

Analyse des données du commerce de détail grâce à l’inférence par lots#

De même, dans les magasins, l’inférence par lots à l’aide de modèles de vision par ordinateur comme Ultralytics YOLO11 peut considérablement améliorer l’efficacité opérationnelle. Par exemple, les systèmes de caméras des magasins peuvent capturer des milliers d’images au cours de la journée, qui peuvent ensuite être traitées par lots pendant la nuit.

Cela permet aux magasins d’analyser ce qui s’y passe, notamment le comportement des clients, les habitudes de fréquentation et les interactions avec les produits, sans traitement en temps réel, qui peut être difficile à mettre en place dans les petits magasins.

Un autre exemple intéressant consiste à utiliser l’inférence par lots pour générer des cartes thermiques qui visualisent les zones où l’activité des clients est forte ou faible dans le magasin. En analysant ces cartes thermiques, les commerçants peuvent repérer les zones qui attirent le plus de visiteurs et celles du magasin qui nécessitent davantage d’attention ou une meilleure disposition des produits. Ces données peuvent les aider à prendre de meilleures décisions concernant l’agencement du magasin, le placement des produits et même les stratégies promotionnelles, afin d’améliorer l’expérience client et les ventes.

Fig. 4. Les cartes thermiques peuvent aider les commerçants à repérer les zones les plus fréquentées des magasins.

Avantages et inconvénients de l’inférence par lots#

Voici quelques-uns des principaux avantages que l’inférence par lots peut apporter à différents secteurs :

• Facilité d’intégration : l’inférence par lots s’intègre facilement aux flux de travail existants, en particulier dans des secteurs comme le commerce de détail, la sécurité ou la santé, où de grands volumes de données doivent être traités en masse.
• Gestion des données simplifiée : lorsqu’on travaille avec de grandes quantités de données, l’inférence par lots peut simplifier leur gestion en les regroupant en blocs faciles à gérer. Il devient ainsi plus facile de suivre, d’examiner et d’organiser les données au fil du temps.
• Réduction de la charge réseau : Le traitement des données par lots permet de minimiser la quantité de données transférées à un instant donné et de réduire la pression sur les ressources réseau dans les systèmes cloud ou les environnements informatiques distribués.

L’inférence par lots présente de nombreux avantages, mais certaines limites sont également à prendre en compte. Voici quelques facteurs à considérer :

• Besoins en stockage : le stockage de grands jeux de données pour un traitement par lots peut augmenter considérablement les coûts, en particulier lorsqu’il s’agit d’images haute résolution, de vidéos ou de grands volumes de données.
• Risque d’accumulation de données en attente : Si les données s’accumulent rapidement ou si les grands lots ne sont pas traités à temps, un arriéré peut se former. Cela peut retarder la production d’informations et le traitement des nouvelles données.
• Pics d’utilisation des ressources : Les grands lots, en particulier ceux qui contiennent des images haute résolution, peuvent provoquer des pics d’utilisation de la mémoire ou de calcul. S’ils ne sont pas correctement gérés, ces pics risquent de surcharger les systèmes et de provoquer des ralentissements ou des pannes.

Points clés à retenir#

L’inférence par lots est un moyen efficace de traiter de grands volumes de données visuelles qui ne nécessitent pas de résultats immédiats. Au lieu d’analyser chaque image en temps réel, elle les traite par lots à des heures planifiées, par exemple pendant la nuit.

Cette méthode est économique, réduit la charge de calcul et fournit des résultats précis. Qu’il s’agisse d’aider les magasins à gérer leurs stocks, les médecins à analyser des images médicales ou d’améliorer les technologies de conduite autonome, l’inférence par lots rend la vision par ordinateur plus accessible, abordable et pratique pour des applications concrètes.

Tu veux en savoir plus sur l’IA ? Explore notre dépôt GitHub, échange avec notre communauté et consulte nos options de licence pour te lancer dans la vision par ordinateur. Découvre davantage d’innovations, comme l’IA dans l’industrie manufacturière et la vision par ordinateur dans le secteur de la logistique, sur nos pages de solutions.