Détection d'objets

Fonctionnement de la détection d'objets

Les modèles de détection d'objets sont généralement construits à l'aide de l'apprentissage profond (DL), en particulier les réseaux neuronaux convolutifs (CNN). Le processus consiste à introduire une image dans le réseau, qui produit alors une liste d'objets détectés, chacun avec une étiquette de classe (par exemple, "personne", "voiture", "chien"), un score de confiance et les coordonnées de sa boîte englobante.

Les architectures modernes de détection d'objets se composent de deux parties principales : une colonne vertébrale pour l'extraction des caractéristiques de l'image d'entrée et une tête de détection pour la prédiction des boîtes de délimitation et des classes. Ces architectures sont souvent classées en détecteurs à une ou deux étapes.

• Détecteurs d'objets en une seule étape: Les modèles tels que la famille YOLO d'Ultralytics effectuent la détection en un seul passage, ce qui les rend très rapides et adaptés à l'inférence en temps réel. Ils prédisent simultanément toutes les boîtes englobantes et les probabilités de classe.
• Détecteurs d'objets en deux étapes: Les architectures telles que le R-CNN et ses variantes proposent d'abord des régions d'intérêt, puis classent les objets dans ces régions. Bien qu'elles soient souvent très précises, elles peuvent être plus lentes que les détecteurs à une étape.

Détection d'objets et autres tâches CV

Il est important de distinguer la détection d'objets des autres tâches de vision par ordinateur :

• Classification d'images: Attribue une étiquette unique à l'ensemble d'une image (par exemple, "c'est la photo d'un chat"). Elle ne localise pas l'objet.
• Segmentation d'images: Classifie chaque pixel d'une image, fournissant un contour précis des objets. La segmentation par instance distingue les différentes instances d'une même classe d'objets, tandis que la segmentation sémantique traite toutes les instances d'une classe comme une seule entité.
• Suivi d'objet: Une extension de la détection d'objets qui suit un objet spécifique sur plusieurs images d'une vidéo, en conservant son identité au fil du temps. Pour en savoir plus, consultez notre guide sur le suivi des objets en mouvement dans les vidéos.

Applications dans le monde réel

La détection d'objets est une technologie transformatrice utilisée dans de nombreux secteurs.

1. Véhicules autonomes: Dans les voitures autonomes, la détection des objets est essentielle pour identifier les piétons, les cyclistes, les autres véhicules et les feux de signalisation afin de naviguer en toute sécurité. Des entreprises comme Waymo et Tesla ont fortement investi dans cette technologie pour alimenter leurs systèmes autonomes.
2. L'IA dans la fabrication: Sur les chaînes de montage, les modèles de détection repèrent automatiquement les défauts ou vérifient que les composants sont correctement assemblés. Cela permet d'améliorer le contrôle de la qualité et l'efficacité de la production.
3. Sécurité et surveillance : Les systèmes automatisés utilisent la détection d'objets pour identifier en temps réel les personnes non autorisées, les colis abandonnés ou les activités inhabituelles, comme l'explique notre guide pour la mise en place d'un système d'alarme de sécurité.
4. L'IA dans les soins de santé: Dans l'analyse d'images médicales, des modèles aident les radiologues à détecter et à mettre en évidence des anomalies telles que des tumeurs ou des fractures dans les radiographies et les tomodensitogrammes. Pour en savoir plus sur l'utilisation de YOLO11 pour la détection des tumeurs, consultez notre blog.
5. L'IA dans l'agriculture: Les drones et les robots terrestres équipés d'un système de détection d'objets peuvent surveiller la santé des cultures, identifier les parasites et estimer les rendements avec une grande précision.

Outils et formation

Le développement et le déploiement de modèles de détection d'objets impliquent un riche écosystème d'outils et de techniques.

• Cadres : Les frameworks d'apprentissage profond populaires tels que PyTorch et TensorFlow fournissent les bibliothèques de base pour la construction de modèles.
• Modèles : Ultralytics fournit des modèles de pointe tels que YOLOv8 et YOLO11, qui sont optimisés pour un équilibre entre vitesse et précision. Vous pouvez voir comment ils se comparent à d'autres modèles dans nos pages de comparaison de modèles.
• Plateformes : Ultralytics HUB simplifie l'ensemble du flux de travail, de la gestion des ensembles de données tels que le célèbre ensemble de données COCO à l'entraînement de modèles personnalisés et à la facilitation du déploiement des modèles.
• Techniques : Le processus de formation bénéficie souvent de techniques telles que l'augmentation des données pour améliorer la robustesse et l'apprentissage par transfert pour exploiter les connaissances des modèles préformés. La performance des modèles est évaluée à l'aide de mesures telles que le mAP et l'IoU, comme expliqué dans notre guide des mesures de performance.