Explore comment le nouveau modèle Ultralytics YOLO11 peut être utilisé pour la détection d'objets afin d'obtenir une plus grande précision dans diverses applications à travers une gamme d'industries.
La vision par ordinateur est un domaine de l'intelligence artificielle (IA) qui aide les machines à interpréter et à comprendre les informations visuelles afin de réaliser des tâches essentielles telles que la détection d'objets. Contrairement à la classification des images, la détection d'objets permet non seulement d'identifier les objets présents sur une image, mais aussi de déterminer leur emplacement exact. Cela en fait un outil essentiel pour les applications d'IA de vision telles que les voitures auto-conduites, les systèmes de sécurité en temps réel et l'automatisation des entrepôts.
Au fil du temps, la technologie de détection d'objets est devenue plus avancée et plus facile à utiliser. Une avancée majeure a été annoncée lors de l'événement hybride annuel Ultralytics', YOLO Vision 2024 (YV24), avec le lancement du modèleUltralytics YOLO11 . YOLO11 améliore la précision et les performances tout en prenant en charge les mêmes tâches que les modèles précédents. YOLOv8Le modèle améliore la précision et les performances tout en prenant en charge les mêmes tâches que le modèle , ce qui permet aux utilisateurs des modèles précédents d'effectuer une transition en douceur.
Dans cet article, nous allons expliquer ce qu'est la détection d'objets, en quoi elle est différente des autres tâches de vision par ordinateur, et explorer ses applications dans le monde réel. Nous t'expliquerons également comment utiliser le modèle YOLO11 avec le paquetageUltralytics Python et la plateformeUltralytics HUB. C'est parti !
La détection d'objets est une tâche essentielle de la vision par ordinateur qui ne se contente pas d'identifier des objets dans une image. Contrairement à la classification des images, qui détermine uniquement si un objet spécifique est présent, la détection d'objets reconnaît plusieurs objets et précise leur emplacement exact à l'aide de boîtes de délimitation.
Par exemple, il peut identifier et localiser des visages sur une photo de groupe, des voitures dans une rue animée ou des produits sur l'étagère d'un magasin. La combinaison de la reconnaissance d'objets et de la localisation la rend particulièrement utile pour des applications telles que la surveillance, le contrôle des foules et la gestion automatisée des stocks.
Ce qui distingue la détection d'objets d'autres tâches comme la segmentation sémantique ou la segmentation d'instances, c'est son objectif et son efficacité.
La segmentation sémantique étiquette chaque pixel d'une image mais ne fait pas la différence entre les objets individuels du même type (par exemple, tous les visages d'une photo seraient regroupés sous le nom de "visage"). La segmentation par instance va plus loin en séparant chaque objet et en définissant sa forme exacte, même pour les objets de la même classe.
La détection d'objets, cependant, offre une approche plus rationalisée en identifiant et en classant les objets tout en marquant leur position. Elle est donc idéale pour les tâches en temps réel telles que la détection de visages dans les vidéos de sécurité ou l'identification d'obstacles pour les véhicules autonomes.
YOLO11Les fonctions avancées de détection d'objets du logiciel de gestion de l'information de l'entreprise le rendent utile dans de nombreux secteurs d'activité. Jetons un coup d'œil à quelques exemples.
YOLO11 et la détection d'objets redéfinissent l'analyse du commerce de détail en rendant la gestion des stocks et la surveillance des rayons plus efficaces et plus précises. La capacité du modèle à détecter rapidement et de manière fiable les objets aide les détaillants à suivre les niveaux de stock, à organiser les rayons et à réduire les erreurs dans les comptages d'inventaire.
Par exemple , YOLO11 peut détecter des articles spécifiques comme des lunettes de soleil sur une étagère de magasin. Mais pourquoi un détaillant voudrait-il surveiller une étagère ? Il est essentiel que les rayons soient bien rangés et organisés pour que les clients puissent trouver ce dont ils ont besoin, ce qui a un impact direct sur les ventes. En surveillant les étagères en temps réel, les détaillants peuvent rapidement repérer les articles qui manquent, qui sont mal placés ou qui sont surchargés, ce qui les aide à maintenir un étalage organisé et attrayant qui améliore l'expérience d'achat.
Une ville animée a besoin d'une circulation fluide et de rues sûres pour fonctionner efficacement, et YOLO11 peut aider à rendre cela possible. En fait, de nombreuses applications de ville intelligente peuvent être intégrées à YOLO11.
Un cas intéressant consiste à utiliser la détection d'objets pour identifier les plaques d'immatriculation des véhicules en mouvement. Ce faisant, YOLO11 peut permettre une perception plus rapide des péages, une meilleure gestion du trafic et une application plus rapide de la réglementation.
Les informations fournies par les systèmes Vision AI qui surveillent les routes peuvent alerter les autorités sur les infractions au code de la route ou les embouteillages avant qu'ils ne se transforment en problèmes plus graves. YOLO11 Ils peuvent également détecter les piétons et les cyclistes, ce qui rend les rues plus sûres et plus efficaces pour tout le monde.
En fait, la capacité de YOLO11à traiter les données visuelles en fait un outil puissant pour améliorer l'infrastructure des villes. Par exemple, il peut aider à optimiser la synchronisation des feux de circulation en analysant les mouvements des véhicules et des piétons. Il peut également améliorer la sécurité dans les zones scolaires en détectant les enfants et en alertant les conducteurs pour qu'ils ralentissent. Avec YOLO11, les villes peuvent prendre des mesures proactives pour relever les défis et créer un environnement plus efficace pour tous.
La détection d'objets en temps réel fait référence à la capacité d'un système à identifier et à classer des objets dans un flux vidéo en direct au fur et à mesure qu'ils apparaissent. YOLO11 est conçu pour des performances supérieures en temps réel et excelle dans la prise en charge de cette capacité. Ses applications vont au-delà de la simple rationalisation des processus - il peut également contribuer à créer un monde plus inclusif et plus accessible.
Par exemple, YOLO11 peut aider les personnes malvoyantes en identifiant les objets en temps réel. En fonction des détections, des descriptions audio peuvent être fournies, ce qui aide les utilisateurs à naviguer dans leur environnement avec une plus grande indépendance.
Prends l'exemple d'une personne malvoyante qui fait ses courses. Choisir les bons articles peut s'avérer difficile, mais YOLO11 peut l'aider. Lorsqu'elle place les articles dans son panier, un système intégré à YOLO11 pourrait être utilisé pour identifier chaque article - comme des bananes, des avocats ou une brique de lait - et fournir des descriptions audio en temps réel. Cela leur permet de confirmer leurs choix et de s'assurer qu'ils ont tout ce dont ils ont besoin. En reconnaissant les articles de tous les jours, YOLO11 peut simplifier les achats.
Maintenant que nous avons abordé les bases de la détection d'objets et ses diverses applications, voyons comment tu peux commencer à utiliser le modèle Ultralytics YOLO11 pour des tâches telles que la détection d'objets.
Il y a deux façons directes d'utiliser YOLO11: par le biais du paquet Ultralytics Python ou du HUB Ultralytics . Explorons ces deux méthodes, en commençant par le paquet Python .
On parle d'inférence lorsqu'un modèle d'IA analyse de nouvelles données inédites pour faire des prédictions, classer des informations ou donner des indications sur la base de ce qu'il a appris pendant la formation. En ce qui concerne la détection d'objets, cela signifie identifier et localiser des objets spécifiques dans une image ou une vidéo, dessiner des boîtes de délimitation autour d'eux et les étiqueter en fonction de la formation du modèle.
Pour déduire à l'aide du modèle de détection d'objets YOLO11 , tu devras d'abord installer le paquet Ultralytics Python via pip, conda ou Docker. Si tu rencontres des problèmes d'installation, consulte le guide de dépannage pour obtenir des conseils et des astuces qui t'aideront à les résoudre. Une fois installé, tu peux utiliser le code suivant pour charger le modèle de détection d'objets YOLO11 et faire des prédictions sur une image.
YOLO11 prend également en charge la formation personnalisée pour mieux s'adapter à tes cas d'utilisation spécifiques. En affinant le modèle, tu peux l'adapter à la détection d'objets pertinents pour ton projet. Par exemple, lors de l'utilisation de la vision par ordinateur dans le domaine de la santé, un modèle YOLO11 formé sur mesure pourrait être utilisé pour détecter des anomalies spécifiques dans les images médicales, telles que des tumeurs dans les IRM ou des fractures dans les radiographies, aidant ainsi les médecins à faire des diagnostics plus rapides et plus précis.
L'extrait de code ci-dessous montre comment charger et entraîner un modèle YOLO11 pour la détection d'objets. Tu peux partir d'un fichier de configuration YAML ou d'un modèle pré-entraîné, transférer des poids et t'entraîner sur des ensembles de données tels que COCO pour obtenir des capacités de détection d'objets plus raffinées.
Après avoir formé un modèle, tu peux également exporter le modèle formé dans différents formats pour le déployer dans différents environnements.
Pour ceux qui recherchent une alternative sans code, Ultralytics HUB fournit une plateforme Vision AI facile à utiliser pour entraîner et déployer les modèles YOLO , y compris YOLO11.
Pour effectuer une détection d'objets sur des images, il suffit de créer un compte, de naviguer dans la section "Modèles" et de sélectionner la variante du modèle de détection d'objets YOLO11 . Télécharge ton image, et la plateforme affichera les objets détectés dans une section de prévisualisation.
En combinant la flexibilité de l'ensemble Python avec la facilité du HUB, YOLO11 permet aux développeurs et aux entreprises d'exploiter facilement la puissance de la technologie avancée de détection d'objets.
YOLO11 établit une nouvelle norme en matière de détection d'objets, combinant haute précision et polyvalence pour répondre aux besoins de divers secteurs d'activité. Qu'il s'agisse d'améliorer l'analyse du commerce de détail ou de gérer l'infrastructure d'une ville intelligente, YOLO11 est conçu pour des performances fiables et en temps réel dans d'innombrables applications.
Avec des options de formation personnalisée et une interface facile à utiliser grâce à Ultralytics HUB, l'intégration de YOLO11 dans tes flux de travail n'a jamais été aussi simple. Que tu sois un développeur qui explore la vision par ordinateur ou une entreprise qui cherche à innover avec l'IA, YOLO11 offre les outils dont tu as besoin pour réussir.
Pour en savoir plus, consulte notre dépôt GitHub et engage-toi auprès de notre communauté. Explore les applications de l'IA dans les voitures auto-conduites et la vision par ordinateur pour l'agriculture sur nos pages de solutions. 🚀
Commence ton voyage avec le futur de l'apprentissage automatique.
