Détection d'objets

La détection d'objets est une tâche fondamentale en vision par ordinateur (CV) qui consiste à identifier et à localiser un ou plusieurs objets dans une image ou une vidéo. L'objectif n'est pas seulement de classer les objets, mais aussi de déterminer leur position, généralement en dessinant une boîte englobante autour de chacun d'eux. Cette technologie est la pierre angulaire de nombreuses applications avancées d'intelligence artificielle (IA), permettant aux machines de percevoir et d'interpréter leur environnement physique avec un haut degré de compréhension.

Comment fonctionne la détection d’objets

Les modèles de détection d'objets sont généralement construits à l'aide du deep learning (DL), en particulier des réseaux neuronaux convolutifs (CNN). Le processus consiste à introduire une image dans le réseau, qui produit ensuite 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 : un backbone pour extraire les caractéristiques de l'image d'entrée et une tête de détection pour prédire les boîtes englobantes et les classes. Ces architectures sont souvent classées comme détecteurs à une étape ou à deux étapes.

• Détecteurs d'objets "One-Stage" : Les modèles tels que la famille Ultralytics YOLO effectuent la détection en une seule passe, 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 comme R-CNN et ses variantes proposent d'abord des régions d'intérêt, puis classifient les objets dans ces régions. Bien que souvent très précises, elles peuvent être plus lentes que les détecteurs en une seule étape.

Détection d'objets vs. autres tâches de CV

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

• Classification d'images : Attribue une seule étiquette à une image entière (par exemple, « c'est une 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 d'instance fait la distinction entre les différentes instances de la même classe d'objets, tandis que la segmentation sémantique traite toutes les instances d'une classe comme une seule entité.
• Suivi d'objets: Une extension de la détection d'objets qui suit un objet spécifique à travers plusieurs images dans une vidéo, en conservant son identité au fil du temps. Vous pouvez en apprendre davantage dans notre guide sur le suivi des objets en mouvement dans les vidéos.

Applications concrètes

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

1. Véhicules autonomes : Dans les voitures autonomes, la détection d'objets est essentielle pour identifier les piétons, les cyclistes, les autres véhicules et les feux de circulation afin de naviguer en toute sécurité. Des entreprises comme Waymo et Tesla ont massivement investi dans cette technologie pour alimenter leurs systèmes autonomes.
2. IA dans l'industrie manufacturière : Sur les chaînes de montage, les modèles de détection repèrent automatiquement les défauts ou vérifient que les composants sont correctement assemblés. Cela améliore le contrôle qualité et augmente 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 le détaille notre guide de construction d'un système d'alarme de sécurité.
4. IA dans le domaine de la santé : Dans l'analyse d'images médicales, les modèles aident les radiologues en détectant et en mettant en évidence les anomalies telles que les tumeurs ou les fractures dans les radiographies et les tomodensitométries. Vous pouvez en savoir plus sur l'utilisation de YOLO11 pour la détection des tumeurs dans notre blog.
5. IA dans l'agriculture : Les drones et les robots terrestres équipés 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.

• Frameworks : Les frameworks de deep learning populaires comme 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 jeux de données comme le populaire jeu de données COCO à l'entraînement de modèles personnalisés et à la facilitation du déploiement de modèles.
• Techniques : Le processus d'entraînement bénéficie souvent de techniques telles que l'augmentation de données pour améliorer la robustesse et l'apprentissage par transfert pour exploiter les connaissances issues de modèles pré-entraînés. La performance du modèle est évaluée à l'aide de métriques telles que la mAP et l'IoU, comme expliqué dans notre guide des métriques de performance.