Object Detection

La détection d'objets est la tâche de vision par ordinateur qui consiste à trouver chaque instance d'un ensemble de classes connues dans une image ou une trame vidéo et à indiquer où elle se trouve. Pour chaque objet, elle renvoie une boîte englobante, une étiquette de classe et un score de confiance ; une photo de rue devient ainsi une liste de boîtes étiquetées, une par voiture, personne ou feu de circulation. Cette liste sert de base au comptage, aux mesures, au suivi et au pilotage de robots.

Résultats renvoyés par un détecteur#

Chaque détection comporte trois éléments. La boîte est stockée soit sous forme de coordonnées des coins (x1, y1, x2, y2), soit sous forme d’un point central avec une largeur et une hauteur, en pixels ou normalisées par rapport à la taille de l’image. La classe est un indice dans l’ensemble d’étiquettes du modèle, comme les 80 catégories du jeu de données COCO. Le score, compris entre 0 et 1, indique la probabilité que la boîte contienne cette classe ; les applications ne conservent que les détections au-dessus d’un seuil de confiance, ce qui établit un compromis entre objets manqués et fausses alertes.

from ultralytics import YOLO

# Load a YOLO26 nano detector pretrained on the 80 COCO classes
model = YOLO("yolo26n.pt")

# Run detection on one image
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Each detection carries a class, a confidence score, and a box in pixels
for box in result.boxes:
    name = result.names[int(box.cls)]
    corners = box.xyxy[0].int().tolist()
    print(f"{name} {box.conf.item():.2f} {corners}")

Chaque ligne affichée correspond à un objet détecté : son nom de classe, son score de confiance et les coordonnées en pixels de ses coins supérieur gauche et inférieur droit.

Fonctionnement des détecteurs d'objets#

Les détecteurs modernes sont des réseaux de neurones composés de trois étapes. Un backbone, généralement un réseau convolutif ou un Transformer de vision, transforme l'image en cartes de caractéristiques. Un neck, tel qu'un réseau pyramidal de caractéristiques, fusionne ces cartes à différentes échelles afin de représenter aussi bien les petits que les grands objets. Une tête de détection prédit ensuite les scores de classe et les coordonnées des boîtes à des milliers de positions. Des positions voisines s'activent pour le même objet : la sortie brute contient donc de nombreux candidats qui se chevauchent. La plupart des pipelines éliminent les boîtes dont le score est faible et appliquent la suppression non maximale (NMS) pour ne garder qu'une boîte par objet. Les détecteurs de bout en bout, comme DETR, sont entraînés à produire exactement une prédiction par objet et ignorent donc cette étape.

Les architectures de détecteurs diffèrent par leur méthode de recherche des candidats. Les détecteurs à deux étapes, comme Faster R-CNN, proposent d'abord des régions susceptibles de contenir un objet, puis classifient et affinent chacune d'elles. Les détecteurs à une étape, comme YOLO, introduit en 2015, prédisent toutes les boîtes et classes en un seul passage, ce qui a rendu la détection en temps réel possible. Les premiers modèles à une étape régressaient les décalages par rapport à des boîtes d'ancrage prédéfinies, tandis que les détecteurs sans ancrage prédisent directement les distances entre un point de la grille et les quatre bords de la boîte. YOLO26 est un détecteur à une étape et sans ancrage qui applique NMS par défaut ; en passant nms=False, tu le fais basculer vers une tête un-à-un qui produit les boîtes finales sans étape NMS.

Entraînement et évaluation#

Les détecteurs apprennent à partir d’images annotées avec une boîte et une classe pour chaque objet. Pendant l’entraînement, une étape d’attribution des étiquettes détermine quelles prédictions correspondent à chaque objet étiqueté, et la fonction de perte combine un terme de classification et un terme de régression des boîtes, généralement fondé sur l’intersection sur union (IoU), qui mesure le chevauchement entre une boîte prédite et une boîte étiquetée. L’évaluation utilise à nouveau l’IoU : une détection est considérée comme correcte si sa classe correspond et si son IoU avec une boîte étiquetée atteint un seuil. La précision moyenne (mAP) résume ensuite la précision et le rappel pour tous les niveaux de confiance et toutes les classes. COCO publie le mAP₅₀, mesuré à un IoU de 0.5, et utilise le mAP_50-95, calculé comme la moyenne sur dix seuils d’IoU allant de 0.50 à 0.95, comme métrique principale. Le classement VLM utilise le mAP₅₀ pour comparer les modèles de langage et de vision qui détectent des objets à partir des seuls noms de classes. Ultralytics Platform utilise ces modèles pour annoter automatiquement les jeux de données de détection avant que YOLO26 s’entraîne sur les étiquettes.

Applications concrètes#

• Conduite autonome : les systèmes d'aide à la conduite et de conduite autonome détectent les véhicules, les piétons, les cyclistes et les panneaux de signalisation dans chaque trame de caméra ; le suivi et la planification des mouvements exploitent ensuite ces boîtes.
• Commerce de détail : les caméras en rayon détectent les produits et les emplacements vides pour signaler les ruptures de stock, tandis que les systèmes de paiement en libre-service détectent les articles déposés à la caisse.
• Inspection industrielle : les caméras de ligne détectent les rayures, les bosses et les composants manquants afin que les pièces défectueuses soient rejetées pendant leur passage.

Détection d'objets et tâches connexes#

• La classification d'images attribue une étiquette à l'image entière sans indiquer de position.
• La segmentation d'instances délimite chaque objet détecté à l'aide d'un masque de pixels qui suit sa forme exacte.
• Les boîtes englobantes orientées ajoutent un angle de rotation à chaque boîte afin qu'elle épouse les objets inclinés, comme les navires et les véhicules dans les images aériennes.
• Le suivi d'objets relie les détections d'un même objet entre les trames vidéo et attribue à chacune un identifiant persistant.
• La détection d'objets 3D prédit une boîte dans l'espace 3D, définie par son centre, sa longueur, sa largeur et sa hauteur en mètres, ainsi que son angle de cap.