Object Detection Architectures

Les architectures de détection d'objets sont les plans structurels des réseaux de neurones utilisés pour identifier et localiser des éléments au sein de données visuelles. Dans le domaine plus large de la vision par ordinateur (CV), ces architectures définissent comment une machine « voit » en transformant des données de pixels brutes en informations exploitables. Contrairement aux modèles de classification basiques qui étiquettent simplement une image, une architecture de détection d'objets est conçue pour générer une bounding box accompagnée d'une étiquette de classe et d'un confidence score pour chaque objet distinct qu'elle détecte. Cette conception structurelle détermine la vitesse, la précision et l'efficacité computationnelle du modèle, ce qui en fait le facteur critique lors du choix d'un modèle pour une real-time inference ou une analyse de haute précision.

Link to this sectionComposants principaux d'une architecture#

Bien que les conceptions spécifiques varient, la plupart des architectures modernes partagent trois composants fondamentaux : le backbone, le neck et le head. Le backbone agit comme l'extracteur de caractéristiques primaire. Il s'agit généralement d'un Convolutional Neural Network (CNN) pré-entraîné sur un grand jeu de données tel que ImageNet, responsable de l'identification des formes, des bords et des textures de base. Les choix populaires pour les backbones incluent ResNet et CSPDarknet.

Le neck connecte le backbone aux couches de sortie finales. Son rôle est de mélanger et de combiner les caractéristiques provenant des différentes étapes du backbone pour garantir que le modèle puisse détecter des objets de tailles variées, un concept connu sous le nom de fusion de caractéristiques multi-échelle. Les architectures utilisent souvent un Feature Pyramid Network (FPN) ou un Path Aggregation Network (PANet) ici pour enrichir les informations sémantiques transmises aux couches de prédiction. Enfin, le detection head traite ces caractéristiques fusionnées pour prédire la classe spécifique et la localisation des coordonnées de chaque objet.

Link to this sectionÉvolution : Two-Stage vs. One-Stage#

Historiquement, les architectures étaient divisées en deux catégories principales. Les two-stage detectors, tels que la famille R-CNN, proposent d'abord des régions d'intérêt (RoIs) où des objets pourraient exister, puis classifient ces régions dans une seconde étape. Bien qu'ils soient généralement précis, ils sont souvent trop lourds en termes de calcul pour les appareils périphériques (edge devices).

À l'inverse, les one-stage detectors traitent la détection comme un simple problème de régression, mappant directement les pixels de l'image aux coordonnées des bounding box et aux probabilités de classe en un seul passage. Cette approche, initiée par la famille YOLO (You Only Look Once), a révolutionné l'industrie en permettant des performances en temps réel. Les avancées modernes ont abouti à des modèles comme YOLO26, qui non seulement offrent une vitesse supérieure, mais ont également adopté des architectures end-to-end, sans NMS. En supprimant le besoin de post-traitement Non-Maximum Suppression (NMS), ces architectures plus récentes réduisent la variabilité de la latence, ce qui est crucial pour les systèmes critiques en matière de sécurité.

Link to this sectionApplications concrètes#

Le choix de l'architecture impacte directement le succès des solutions IA dans tous les secteurs.

• Automatisation de la vente au détail : Dans les supermarchés intelligents, des architectures one-stage efficaces permettent des systèmes de caisse automatisés qui reconnaissent instantanément les produits sur un tapis roulant ou dans un chariot, réduisant ainsi les temps d'attente et l'erreur humaine.
• Diagnostics médicaux : Des architectures de haute précision sont utilisées dans l'analyse d'images médicales pour détecter des anomalies telles que des tumeurs dans des radiographies ou des IRM. Ici, la capacité de l'architecture à conserver des détails fins est plus critique qu'une vitesse de traitement brute.

Link to this sectionDistinguer les termes associés#

Il est important de différencier les architectures de détection des tâches de vision par ordinateur similaires :

• vs. Image Classification : Une architecture d'image classification (comme VGG ou EfficientNet) attribue une seule étiquette à une image entière (par exemple, « chat »). Elle ne te dit pas où se trouve le chat ou s'il y a plusieurs chats, ce qui est la fonction première des architectures de détection.
• vs. Instance Segmentation : Alors que la détection place une boîte autour d'un objet, l'instance segmentation identifie le contour précis et parfait au pixel près (masque) de chaque objet. Les architectures de segmentation sont souvent des extensions des architectures de détection (par exemple, l'ajout d'une branche de masque au detection head).

Link to this sectionImplémentation avec Ultralytics#

Les frameworks modernes ont abstrait les complexités de ces architectures, permettant aux développeurs d'exploiter des conceptions de pointe avec un minimum de code. En utilisant le package ultralytics, tu peux charger un modèle YOLO26 pré-entraîné et exécuter l'inférence immédiatement. Pour les équipes cherchant à gérer leurs jeux de données et à entraîner des architectures personnalisées dans le cloud, la Ultralytics Platform simplifie l'ensemble du pipeline MLOps.

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Run inference on an image source
# This uses the model's architecture to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()