Des solutions d’IA concrètes au service de tous les secteurs

Ultralytics Platform a changé la donne pour nous. Elle permet à nos spécialistes des données de créer facilement des jeux de données, d’entraîner rapidement de nouveaux modèles à l’aide de ressources de calcul dans le cloud, de comparer des expériences avec différents paramètres de modèle et, enfin, de trouver le meilleur modèle pour chaque problème. C’est devenu notre premier choix pour expérimenter la détection d’objets, la segmentation d’instances et la segmentation sémantique.

Ultralytics YOLO est un composant clé du pipeline de vision par ordinateur de SK Godelius, aux côtés de la détection multimodale. Il nous apporte la précision nécessaire pour identifier exactement les éléments défaillants, assurer la sécurité des travailleurs et garantir la cohérence de nos inspections.

Les modèles Ultralytics YOLO nous ont aidés à accélérer de 25,2 % la mise en œuvre de nos services d’IA. Faciles à déployer, ils offrent d’excellentes performances en conditions réelles et apportent davantage de vitesse, de précision et d’évolutivité sans nuire aux performances opérationnelles.

Nous apprécions beaucoup l’infrastructure de formation fournie par Ultralytics, et nous aimons tout particulièrement la facilité avec laquelle on peut se lancer. Le processus était simple, notamment pour créer notre jeu de données et lancer la fonction « train ».

Parmi tous les modèles que nous avons évalués, YOLO était de loin le plus rapide pour nos cas d’usage.

Nous voulions améliorer la précision avec laquelle notre modèle classait des catégories de matériaux hétérogènes, tout en réduisant la quantité de travail manuel nécessaire à notre équipe. Le passage à Ultralytics YOLO a été la clé de ces gains de performance.

Avec Ultralytics YOLOv8 nano, nous pouvons réentraîner le modèle en périphérie et livrer un nouveau modèle en quelques heures plutôt qu’en quelques semaines, en transférant une fraction des données. Cette combinaison de précision et d’encombrement réduit correspond exactement aux besoins de nos environnements.

Les modèles Ultralytics YOLO sont faciles à utiliser, précis et flexibles. Ils nous ont aidés à réduire d’environ 30 % en moyenne le temps consacré aux patrouilles.

Tout est devenu beaucoup plus simple lorsque nous avons décidé de passer à Ultralytics. Avec une seule ligne de code, tu peux tout entraîner, prédire et exporter.

La possibilité d’entraîner et de déployer des modèles Ultralytics YOLO avec le package Python Ultralytics est très fiable. Associée à une inférence rapide, elle nous permet de traiter rapidement les images et de fournir des retours en temps réel sur les chantiers.

Avec Ultralytics, nous avons pu gagner en vitesse tout en obtenant une meilleure précision qu’avec d’autres modèles. La compatibilité avec différents frameworks — CUDA, TensorRT, ONNX, OpenVINO — nous a été très utile pour ajuster les poids en R&D, puis les optimiser pour le matériel dont nous disposons.

Nous n’en sommes qu’au début. Avec Ultralytics YOLO, nous disposons des bases nécessaires pour concevoir des solutions non seulement plus sûres, mais aussi plus intelligentes, qui fournissent des informations en temps réel capables de sauver des vies et de transformer la gestion de la sécurité industrielle.

Nous fabriquons des robots dotés de capacités de vision par ordinateur pour saisir et déposer des ingrédients sur les lignes de production alimentaire. La manipulation robotique exige une précision inférieure au centimètre, et les modèles Ultralytics YOLO permettent d’atteindre ce niveau de précision.

Les performances des modèles Ultralytics YOLO sur nos microcontrôleurs STM32 ouvrent de nouvelles perspectives pour la vision par ordinateur en périphérie. Grâce à une intégration simplifiée et à la prise en charge de plusieurs variantes de modèles, les développeurs disposent exactement de ce qu’il leur faut pour créer des solutions de vision embarquée évolutives et réactives.

Utiliser YOLO d’Ultralytics a été un vrai plaisir. La bibliothèque Python est remarquablement fluide et cohérente, aussi bien pour l’entraînement que pour l’inférence… En pratique, l’intégration à notre pipeline s’est faite sans le moindre accroc, ce qui est rare.

Le package Python Ultralytics nous permet d’entraîner des modèles très facilement et rapidement. De plus, sa standardisation entre différents modèles et les nouvelles versions de YOLO garantit une grande stabilité au fil des ans.

L’intégration d’Ultralytics YOLO à notre plateforme d’IA Instabase s’est faite facilement, sans difficulté. Elle a contribué à accélérer le calendrier de lancement et nous a permis de proposer des capacités de reconnaissance visuelle d’objets à nos clients.

Ils transforment les données visuelles en informations exploitables avec une précision et une efficacité exceptionnelles. En associant Ultralytics YOLOv8 au capteur IMX500 de SSS (Sony Semiconductor Solutions Corporation), ce partenariat apporte de puissantes capacités d’IA directement sur l’appareil et améliore la prise de décision en temps réel des entreprises qui s’appuient sur le traitement de données visuelles haute performance.

Les modèles Ultralytics YOLO conviennent parfaitement à nos unités de traitement de l’IA Metis (AIPU). Ils sont faciles à intégrer, fonctionnent efficacement et aident nos clients à déployer en un rien de temps des applications d’IA visuelle percutantes en périphérie.

Chez ALYCE, l’adoption d’Ultralytics a changé la donne pour l’entraînement de nos modèles. Elle nous permet d’améliorer la précision des données, d’offrir une qualité inégalée à nos clients et de les accompagner dans leurs projets de mobilité durable.

Les modèles Ultralytics YOLO ont donné d’excellents résultats dans de nombreux environnements sous-marins, des sites d’éoliennes marémotrices aux ports et aux récifs coralliens. Leur précision et leur fiabilité en font un outil essentiel pour nos travaux de surveillance environnementale dans les domaines de l’énergie marine et de la recherche.

Ultralytics est une solution très puissante et facile à utiliser pour développer des prototypes, mais aussi des solutions finales.

En général, entraîner un modèle d’apprentissage automatique prend énormément de temps, et il faut souvent attendre deux ou trois jours pour obtenir les résultats de l’inférence, avant de décider si la précision est suffisante. Avec Ultralytics YOLO, nous pouvons toutefois entraîner le modèle en une seule journée, prendre rapidement des décisions et tirer rapidement des enseignements des résultats. Une fois le modèle entraîné, nous pouvons aussi enrichir le jeu de données pour améliorer encore ses performances.

Les modèles YOLO d’Ultralytics changent la donne dans le secteur de l’IA. Les développeurs privilégient YOLOv5 et YOLOv8 pour leur simplicité d’utilisation, leurs performances de pointe et leur précision. Associés à OpenVINO, ces modèles peuvent offrir d’excellentes performances prêtes à l’emploi sur les CPU modernes.