Utiliser Ultralytics YOLO11 pour exécuter des inférences par lots

Si tu as déjà vu une voiture autonome en action, tu as été témoin de l’inférence IA en temps réel. Une voiture autonome utilise généralement des caméras, des capteurs et l’IA pour traiter son environnement et prendre des décisions presque instantanément. Cependant, lorsque des réponses rapides ne sont pas nécessaires, l’inférence en temps réel peut être gourmande en ressources.

Dans ces cas, une meilleure option consiste à utiliser l’inférence par lots. Au lieu de traiter les données en continu et en temps réel, l’inférence par lots 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 telles que la détection d’objets et la segmentation d’instances. Cependant, 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 être exécuté sur des données visuelles regroupées en lots, ce qui réduit la sollicitation du système et améliore l’efficacité sans sacrifier les performances. Il devient ainsi plus facile de déployer des solutions d’IA de vision à grande échelle sans surcharger le matériel ni augmenter les coûts.

Dans cet article, nous allons découvrir l’inférence par lots, ses avantages et la manière dont l’inférence par lots avec Ultralytics YOLO11 peut être appliquée aux applications de vision par ordinateur. C’est parti !

L’inférence par lots dans la vision par ordinateur#

Tu peux considérer l’inférence par lots comme le fait de s’attaquer à une grande tâche en une seule fois, plutôt que de la traiter morceau par morceau au fur et à mesure de son arrivée. 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 bien plus efficace lorsque les réponses immédiates ne sont pas nécessaires : 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 nécessitent 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 est moins critique. C’est là que l’inférence par lots prend tout son intérêt : lorsque le système n’a pas besoin de réagir instantanément. L’inférence par lots consiste à fournir des données visuelles à un modèle de vision par ordinateur par groupes ou par lots, afin que le système puisse traiter de grands ensembles de données en une seule fois plutôt qu’en continu et en temps réel.

Comprendre le fonctionnement de l’inférence par lots#

Voici un aperçu plus détaillé des étapes de l’inférence par lots :

• Collecte des données : Les données visuelles sont collectées sur une certaine période. Il peut s’agir de séquences de vidéosurveillance, d’images de produits ou de données clients, selon l’application.

• Préparation des lots : Les données collectées sont ensuite regroupées en lots. Lors de cette étape, les données sont mises au format requis par le modèle. Par exemple, les images peuvent être redimensionnées, normalisées ou converties dans le format approprié pour être traitées par le modèle.

• Prédiction** :** Une fois les données préparées, l’ensemble du lot est transmis au modèle, comme Ultralytics YOLO11, qui traite tout le lot en une seule fois. Le modèle peut ainsi effectuer simultanément des prédictions pour 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 précisément quand l’utiliser.

L’inférence par lots est idéale pour analyser des données historiques. Supposons que tu disposes de séquences de vidéosurveillance d’une station de métro couvrant le mois dernier et que tu cherches à identifier certains schémas, comme le nombre de personnes entrant et sortant à différents moments de la journée.

Au lieu de traiter chaque trame en temps réel, l’inférence par lots permet de traiter en lots l’intégralité des séquences du mois, afin d’identifier les événements clés ou les tendances sans nécessiter de résultats immédiats. Tu peux ainsi analyser de grands volumes de données plus efficacement 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 durant 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 ensembles 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 exécuter une inférence par lots en spécifiant l’argument ‘batch’, qui détermine le nombre d’images ou de trames vidéo traitées simultanément.

Pendant le processus d’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 l’ajuster au nombre de ton choix.

Par exemple, si la taille du lot est définie sur 5, Ultralytics YOLO11 traite cinq images ou trames vidéo à la fois et génère simultanément des prédictions pour les cinq. Des lots plus grands permettent généralement d’accélérer les temps d’inférence, car le traitement de plusieurs images en un seul lot est plus efficace que leur traitement individuel.

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

Examinons maintenant quelques cas d’utilisation réels de l’inférence par lots en vision par ordinateur.

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

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

Par exemple, dans les établissements de santé, 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 examens tout au long de la journée et les traiter par lots pendant la nuit.

Cette approche permet aux hôpitaux de mieux utiliser leur matériel et leur personnel, de réduire les coûts opérationnels et de s’assurer que tous les examens sont analysés de manière cohérente et uniforme. Elle est également avantageuse pour les grands projets de recherche et les études à long terme, qui nécessitent de traiter de très grandes quantités de données.

Fig. 2. Détection d’une anomalie sur un examen médical avec Ultralytics YOLO11.

Améliorer les véhicules autonomes grâce aux simulations#

Les voitures autonomes utilisent des technologies d’IA comme la vision par ordinateur pour traiter le monde qui les entoure. Grâce à des modèles avancés comme Ultralytics YOLO11, les systèmes embarqués de la voiture peuvent reconnaître les autres véhicules, les lignes de voie, les panneaux de signalisation et les personnes dans la rue. Si l’inférence en temps réel est essentielle sur la route, la technologie de conduite autonome repose également largement sur l’inférence par lots en coulisses.

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

Une fois qu’une voiture a terminé un trajet, les données qu’elle a collectées, comme plusieurs heures de séquences vidéo, des relevés de capteurs et des scans LIDAR, peuvent être traitées ultérieurement par 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 différentes conditions de conduite.

L’inférence par lots est également utilisée dans les simulations de conduite autonome pour tester la manière dont les voitures autonomes réagiraient à différentes situations, comme la traversée d’intersections très fréquentées ou la réaction à des mouvements imprévisibles de piétons. Cette approche permet de gagner du temps, de réduire les coûts et d’éviter les risques liés au test de chaque scénario dans le monde réel.

Analyse des données de vente au détail grâce à l’inférence par lots#

De même, dans les magasins, l’inférence par lots avec des 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 tout au long de la journée, puis les traiter par lots pendant la nuit.

Les magasins peuvent ainsi analyser ce qui s’y passe, comme le comportement des clients, les flux de circulation et les interactions avec les produits, sans avoir besoin d’un traitement en temps réel, qui peut être difficile à mettre en œuvre dans les petits magasins.

Un autre exemple intéressant consiste à utiliser l’inférence par lots pour générer des cartes thermiques, qui représentent les zones de forte et de faible activité des clients dans le magasin. En analysant ces cartes thermiques, les détaillants peuvent identifier les zones qui attirent le plus de passage et celles du magasin qui nécessitent peut-être davantage d’attention ou une optimisation du placement des produits. Ces données peuvent les aider à prendre de meilleures décisions concernant l’agencement du magasin, le positionnement des produits et même les stratégies promotionnelles, afin d’améliorer l’expérience client et les ventes.

Fig. 4. Les cartes thermiques peuvent aider les détaillants à identifier les zones populaires des magasins.

Avantages et inconvénients de l’inférence par lots#

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

• Facilité d’intégration : L’inférence par lots peut être facilement intégrée aux workflows existants, en particulier dans des secteurs comme la vente au détail, la sécurité ou la santé, où de grands volumes de données doivent être traités en masse.
• Gestion simplifiée des données : Lorsqu’on travaille avec de grandes quantités de données, l’inférence par lots peut simplifier la gestion des données, puisque celles-ci sont regroupées en ensembles 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 : Lorsque les données sont traitées par lots, la quantité de données transférées à un moment donné peut être réduite au minimum, ce qui diminue la sollicitation des ressources réseau dans les systèmes cloud ou les environnements de calcul distribué.

Bien que l’utilisation de l’inférence par lots présente de nombreux avantages, certaines limites doivent également être prises en compte. Voici quelques facteurs à garder à l’esprit :

• Besoins en stockage : Le stockage de grands ensembles de données pour un traitement par lots peut augmenter considérablement les coûts de stockage, notamment avec des images haute résolution, des vidéos ou de gros volumes de données.
• Risque d’accumulation : Si les données s’accumulent rapidement ou si les grands lots ne sont pas traités à temps, un retard peut se former. Cela peut entraîner des délais dans la fourniture d’informations et dans le traitement rapide des nouvelles données.
• Pointes de consommation des ressources : Les grands lots, en particulier ceux qui contiennent des images haute résolution, peuvent provoquer des pointes d’utilisation de la mémoire ou des ressources de calcul. Si elles ne sont pas correctement gérées, ces pointes peuvent surcharger les systèmes et entraîner des ralentissements ou des plantages.

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. Plutôt que d’analyser chaque image en temps réel, elle les traite par lots à des horaires planifiés, par exemple pendant la nuit.

Cette méthode est économique, réduit la charge de calcul et fournit malgré tout des résultats précis. Qu’il s’agisse d’aider les magasins à gérer leurs stocks, d’assister les médecins dans l’analyse d’examens médicaux ou d’améliorer les technologies de conduite autonome, l’inférence par lots rend la vision par ordinateur plus accessible, abordable et pratique pour les applications du monde réel.

Prêt à approfondir l’IA ? Explore notre dépôt GitHub, rejoins notre communauté et consulte nos options de licence pour commencer ton parcours dans la vision par ordinateur. Découvre-en plus sur des innovations comme l’IA dans l’industrie manufacturière et la vision par ordinateur dans le secteur de la logistique sur nos pages consacrées aux solutions.