Glacier a intégré Ultralytics YOLO11 à ses systèmes de tri robotisés et à sa plateforme d’analyse des installations. L’entreprise a ainsi considérablement amélioré la précision de la classification et réduit la charge de correction des données qui ralentissait les itérations sur les modèles.
Le recyclage des déchets est plus complexe qu’il n’y paraît. Dans un centre de tri et de valorisation des matières (MRF), les déchets en mélange arrivent sans avoir été triés. Leur séparation en flux de matières valorisables repose sur une combinaison d’équipements automatisés, de trieurs optiques et d’opérateurs qui travaillent dans des conditions rapides et souvent chaotiques. La marge d’erreur est faible : une balle d’aluminium contaminée par des matières inadéquates perd de sa valeur, tandis que les matières valorisables qui ne sont pas récupérées finissent en décharge.
Glacier a été fondée pour rendre ce processus plus fiable et plus efficace. Basée à San Francisco et désignée par Fast Company comme l’entreprise la plus innovante en robotique et en ingénierie, Glacier crée des systèmes de tri robotisés alimentés par l’IA et des outils d’analyse des installations pour les centres de recyclage des matières (MRF). Ses robots sont installés directement au-dessus des tapis roulants et utilisent la vision par ordinateur pour identifier et trier les matières en temps réel. Sa plateforme d’analyse permet aux exploitants de voir ce qui circule sur leurs lignes et où se produisent les problèmes.
Ultralytics YOLO11 est au cœur des deux produits : il assure la détection et la classification qui rendent possibles le tri en temps réel et la surveillance continue.
Apporter la vision par ordinateur au cœur du tri des matières recyclables#
Le système de tri robotisé de Glacier repose sur une caméra orientée vers le bas, montée directement au-dessus du tapis roulant sur une structure de support, de façon à filmer chaque objet qui passe dessous. Au fur et à mesure que les matières avancent sur le tapis, la caméra capture chaque objet par le dessus, offrant au système une vue constante et dégagée, quelles que soient sa forme ou son orientation.
Ultralytics YOLO11 traite ce flux en temps réel, en détectant et en classant chaque objet au passage. Le modèle produit une boîte englobante et une étiquette de classe pour chaque objet détecté, afin d’indiquer s’il s’agit, par exemple, d’une canette en aluminium, d’une bouteille de lait, d’une boîte en carton ou d’un film plastique. Cette classification, combinée à une estimation de la vitesse fondée sur celle du tapis, permet au système de Glacier de calculer la position de chaque objet lorsque le bras robotisé l’atteindra, généralement moins d’une seconde après la détection.
Le bras robotisé, équipé de ventouses, saisit ensuite l’objet sur le tapis et le dépose dans le réceptacle approprié selon sa classe. Cette boucle complète (détecter, classer, prédire la position, saisir) s’exécute en continu pendant que les matières circulent dans le centre. La caméra fournit au système deux ou trois images par objet avant que celui-ci ne sorte du champ de détection.
En parallèle, les mêmes données de caméra peuvent alimenter la plateforme d’analyse de Glacier. Les images sont téléversées dans le cloud, où YOLO11 effectue des inférences pour compter les objets par type au fil du temps. Les exploitants peuvent aussi installer des caméras d’analyse séparément, sans robot, s’ils souhaitent suivre une ligne sans tri automatisé. Dans les deux cas, le résultat est un flux continu de données structurées sur les matières qui circulent dans l’installation.
Fig. 1. Ultralytics YOLO11 en action dans un centre de recyclage : la détection des déchets en temps réel optimise le tri des matières et améliore l’efficacité du recyclage.
Le défi de la classification de matières hétérogènes#
La détection d’objets sur un tapis roulant de recyclage est plus difficile qu’il n’y paraît. Les tapis fonctionnent souvent à plus de 200 pieds par minute et les matières se chevauchent, sont partiellement masquées, mouillées, sales ou déformées. Les conditions d’éclairage varient. Les objets d’une même catégorie de matières peuvent avoir des apparences radicalement différentes. Une bouteille de lessive, un distributeur de savon et une bouteille de lait sont, par exemple, tous en plastique numéro deux, mais se ressemblent très peu visuellement.
En déployant sa technologie dans des dizaines de centres de tri des matières (MRF) à l’échelle nationale, Glacier a eu besoin d’un niveau de précision plus exigeant pour améliorer les performances sur des catégories de matières complexes et visuellement hétérogènes, et ainsi se développer plus efficacement. Cette hétérogénéité, conjuguée à la vitesse et à l’ampleur des déploiements, a fini par rendre insuffisant le précédent modèle de détection open source, tandis que l’amélioration de la capacité de généralisation des modèles d’un site à l’autre devenait de plus en plus importante pour accompagner l’expansion de Glacier.
Ultralytics YOLO, la solution#
À mesure que Glacier se développe, le déploiement d’Ultralytics YOLO11 joue un rôle important dans sa mission d’amélioration et d’optimisation de ses solutions. YOLO11 est utilisé dans deux environnements de déploiement distincts, chacun ayant des exigences de performances différentes.
- En périphérie : chaque robot Glacier exécute YOLO11 localement sur un GPU dédié pour le tri robotisé en temps réel et traite le flux de la caméra en direct. La latence d’inférence est suffisamment faible pour permettre le calcul du moment de saisie : le système peut ainsi déterminer où se trouvera un objet en moins d’une seconde, ce qui laisse largement le temps de terminer la détection et la classification.
- Dans le cloud : pour la plateforme d’analyse, les images capturées dans l’installation sont téléversées vers AWS, où YOLO11 effectue des inférences afin de générer des comptages d’objets au fil du temps. Comme ce pipeline n’est pas soumis aux mêmes contraintes de temps que le tri robotisé, il s’exécute dans le cloud plutôt que sur du matériel de périphérie. Glacier peut ainsi traiter les données historiques et présenter des informations aux exploitants au moyen de tableaux de bord et de rapports.
Le passage à YOLO11 a entraîné des améliorations nettes dans les domaines où le modèle précédent avait le plus de difficultés. La précision de classification s’est améliorée dans les catégories hétérogènes, en particulier pour les plastiques numéro deux, offrant à Glacier une base plus fiable pour déployer un modèle commun sur plusieurs sites clients sans réglage fin propre à chaque site. La précision des boîtes englobantes s’est également améliorée, ce qui a modifié la manière dont l’équipe de Glacier exploitait les résultats des modèles lors de l’examen des données : au lieu de signaler les cas mal interprétés par le modèle, ses désaccords avec les étiquettes d’entraînement révélaient plus régulièrement de véritables erreurs d’annotation à corriger. Cette évolution a rendu l’amélioration des données plus rapide et plus ciblée.
Pourquoi choisir les modèles Ultralytics YOLO ?#
Pour Glacier, la décision de passer de DETR à Ultralytics YOLO reposait sur les performances de classification pour certaines catégories de matières, comme les plastiques numéro 2, que les exploitants de centres de tri des matières (MRF) doivent suivre et récupérer de manière fiable. YOLO11 traitait ces catégories de façon plus cohérente, ce qui a été le facteur décisif.
L’amélioration de la qualité des boîtes englobantes constituait un avantage secondaire, mais important. Des boîtes englobantes précises rendent l’examen et l’annotation des données plus efficaces : l’équipe peut ainsi davantage se fier au fait qu’un désaccord du modèle avec une étiquette indique probablement une véritable erreur dans les données plutôt qu’une défaillance du modèle. Le package Python Ultralytics a également fourni aux ingénieurs de Glacier un moyen simple d’entraîner, d’affiner, de déployer et de maintenir les modèles dans leurs environnements de périphérie et cloud. La possibilité d’exécuter la même famille de modèles sur du matériel de périphérie équipé de GPU et dans des pipelines d’inférence AWS, sans reconstruire le code de détection sous-jacent, a constitué un avantage concret à mesure que les déploiements de Glacier se sont développés.
Donner aux exploitants de centres de tri des matières une visibilité sur leurs installations#
Au-delà du tri, la plateforme d’analyse de Glacier s’attaque à un problème fondamental dans le fonctionnement des centres de recyclage : dans un grand centre de tri des déchets (MRF), où plusieurs lignes de convoyage fonctionnent simultanément, les opérateurs peuvent avoir du mal à savoir ce qui se passe dans l’ensemble du site à un moment donné. Les problèmes sur une ligne peuvent ne pas être visibles depuis une autre et, lorsqu’un incident devient évident, il a peut-être déjà affecté le débit pendant des heures.
Les analyses de Glacier offrent aux opérateurs une vue continue et structurée du flux des objets à l’échelle de la ligne. Voici quelques-unes des informations qu’elles permettent d’obtenir :
- Surveillance de la profondeur du flux. Suivre le nombre d’objets qui traversent une section de la ligne à un moment donné et signaler les niveaux anormalement élevés ou bas.
- Détection des contaminants. Alerter les opérateurs lorsque la proportion de matériaux indésirables sur une ligne dépasse la normale — souvent le signe d’un problème en amont.
- Signaux de défaillance des équipements. Une hausse soudaine d’un type de matériau particulier, comme les canettes en aluminium, peut indiquer qu’un trieur optique a cessé de fonctionner et ne détourne plus ces objets comme prévu.
- Analyse des tendances opérationnelles. Comprendre comment la composition des matériaux évolue selon les équipes, les jours de la semaine ou les saisons, et comment des événements comme les jours fériés influent sur les matériaux qui arrivent au centre.
Les analyses sont plus puissantes lorsque des caméras sont installées à plusieurs endroits du site, car la possibilité de corréler les décomptes de différents emplacements permet de retracer où des matériaux spécifiques sont perdus ou récupérés tout au long du processus de tri.
Résultats concrets dans des centres de recyclage aux États-Unis#
Les déploiements de Glacier dans des centres de tri des déchets aux États-Unis ont produit des résultats mesurables, tant pour le tri robotisé que pour les cas d’utilisation des analyses.
- Centre de tri du Michigan (ligne de résidus) : 15 millions de bouteilles en PET récupérées, 138 000 $ de nouveaux revenus. Le tableau de bord d’IA de Glacier a détecté des pertes de PET sur la ligne de résidus. Le centre s’est appuyé sur ces données pour justifier l’installation d’un trieur de PET en amont, qui a réduit de 70 % les pertes de PET et été amorti en 10 mois, permettant de récupérer 15 millions de bouteilles en PET et de générer 138 000 $ de nouveaux revenus issus de la vente de matières premières.
- Centre de tri de Californie (ligne de fibres) : +17 % de pureté du papier. Le déploiement de trois robots sur la ligne de fibres a amélioré la qualité du tri et la pureté du papier en aval d’un trieur optique, les robots affichant une disponibilité de 95 % pendant le déploiement.
- Centre de tri de l’Indiana (ligne de résidus) : plus de 500 000 livres de PET récupérées. L’IA de Glacier a signalé les matières recyclables qui se déversaient dans le flux de résidus. Les opérateurs ont utilisé ces informations pour rediriger les matériaux et justifier des investissements dans des équipements en amont. Le PET et le HDPE ont été détectés en temps réel, ouvrant la voie à de nouveaux revenus issus de la vente de matières premières.
Rendre le recyclage plus fiable grâce à la vision par ordinateur#
Glacier développe des outils qui rendent le recyclage plus prévisible, mesurable et efficace. En combinant le tri robotisé à des analyses couvrant l’ensemble du site, la solution fournit aux opérateurs de centres de tri à la fois l’automatisation nécessaire pour récupérer davantage de matériaux et la visibilité nécessaire pour comprendre ce qui se passe sur leurs lignes.
Ultralytics YOLO11 fournit la base de détection et de classification dont dépendent les deux produits : assez précis pour gérer la complexité visuelle des flux de recyclage réels, assez rapide pour permettre le tri robotisé en temps réel et assez flexible pour fonctionner sur des équipements périphériques comme dans des pipelines d’inférence cloud. Alors que Glacier poursuit son expansion dans les centres aux États-Unis, Ultralytics YOLO reste au cœur de sa pile de vision par ordinateur.
Tu t’intéresses à l’IA visuelle ? Découvre nos options de licence pour créer dès aujourd’hui tes solutions de vision par ordinateur. Consulte notre dépôt GitHub et rejoins notre communauté.
