Course Ultralytics Modèles de détection et de segmentation d’objets en quelques lignes de code

Bienvenue dans ce nouveau billet de blog où nous allons nous plonger dans les capacités des sites Ultralytics' YOLOv5 et YOLOv8 lorsqu'il s'agit de détection et de segmentation d' objets . Nous explorerons comment intégrer ces modèles faciles à utiliser dans tes projets avec seulement quelques lignes de code. Que tu sois débutant ou développeur expérimenté, tu verras comment Ultralytics prend en charge différents modèles et architectures, y compris les différentes versions de YOLO et les modèles basés sur des transformateurs. 

Dans sa vidéo, Nicolai Nielsen nous guide à travers le processus de mise en place et d'utilisation de différents modèles dans le cadre de Ultralytics . Décortiquons-le étape par étape et voyons comment tu peux commencer à utiliser ces outils incroyables.

Pour commencer avec les modèles Ultralytics

Ultralytics offre un cadre complet qui prend en charge plusieurs modèles de détection et de segmentation d'objets. Cela comprend les modèles populaires YOLO , allant de YOLOv3 à la dernière version YOLOv8, ainsi que les modèles YOLO-NAS et SAM . Ces modèles sont conçus pour gérer une variété de tâches telles que la détection en temps réel, la segmentation et l'estimation de la pose.

Pour commencer, visite la page de documentationUltralytics . Tu y trouveras des informations détaillées sur chaque modèle, notamment leurs principales caractéristiques, leurs architectures et la façon de les utiliser dans tes scripts Python .

Configuration de ton environnement

Tout d'abord, assure-toi que Ultralytics est installé. Tu peux le faire en exécutant :

bash

Copier le code

pip install ultralytics

Une fois que c'est fait, tu peux commencer à utiliser ces modèles dans tes projets. Commençons par le modèle YOLOv8 .

Caractéristiques principales de YOLOv8

YOLOv8 est doté de plusieurs améliorations par rapport à ses prédécesseurs. Il est conçu pour être plus rapide et plus précis, ce qui le rend parfait pour les applications en temps réel. Voici quelques-unes de ses principales caractéristiques : 

• Vitesse et précision accrues
• Poids pré-entraînés pour des tâches multiples
• Prise en charge de la détection, de la segmentation et de la classification des objets
• Architecture du modèle améliorée pour de meilleures performances

En cours d'exécution YOLOv8 dans Python

Voici comment tu peux commencer à utiliser YOLOv8 en quelques lignes de code seulement :

Copier le code

# Copy code
import ultralytics
model = ultralytics.YOLO('yolov8')
results = model.predict('path/to/your/image.jpg')
results.show()

Ça y est ! Tu viens d'exécuter un modèle YOLOv8 sur une image. C'est cette simplicité qui rend les modèles Ultralytics si puissants et si conviviaux.

Détection de webcam en direct

Tu veux voir YOLOv8 en action sur une webcam en direct ? Voici comment tu peux le faire :

python

Copier le code

# Copy code
import ultralytics
model = ultralytics.YOLO('yolov8')
# Open a live webcam feed
cap = cv2.VideoCapture(0)
while True:
	ret, frame = cap.read()
	if not ret:
		break
	results = model.predict(frame)
	results.show()
	if cv2.waitKey(1) & 0xFF == ord('q'):
		break
cap.release()
cv2.destroyAllWindows()

‍

‍

Ce script ouvrira ta webcam et appliquera le modèle YOLOv8 pour détecter les objets en temps réel.

Explorer d'autres modèles

Ultralytics ne s'arrête pas à YOLOv8. Ils prennent également en charge divers autres modèles tels que YOLOv5, YOLO-NAS, et des modèles basés sur des transformateurs pour la détection en temps réel. Chaque modèle a ses propres points forts et ses propres cas d'utilisation.

Modèles de transformateurs et comment les faire fonctionner

Le modèle RT-DETR développé par Baidu et soutenu par Ultralytics, est un détecteur d'objets de bout en bout à la pointe de la technologie qui offre des performances en temps réel et une grande précision. Il utilise une épine dorsale basée sur les conv et un encodeur hybride efficace pour une vitesse en temps réel, excellant sur CUDA avec TensorRT, et prend en charge l'ajustement flexible de la vitesse d'inférence.

Voici comment tu peux faire fonctionner un modèle RT-DETR :

Copier le code

from Ultralytics import YOLO
# Load a pretrained YOLOv8n model
model = YOLO("rtdetr-l.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("bus.jpg", save=True, imgsz=320, conf=0.5)

"Segmenter n'importe quel modèle

Ultralytics propose également des modèles pour les tâches de segmentation, tels que MobileSAM et FastSAM. Ces modèles sont conçus pour segmenter tout ce qui se trouve dans une image, ce qui permet d'obtenir des informations détaillées sur la scène.

Courir FastSAM

FastSAM est optimisé pour la segmentation en temps réel, et voici comment tu peux l'exécuter :

Copier le code

import ultralytics
model = ultralytics.SAM("FastSAM-s.pt")
results = model.predict('path/to/your/image.jpg')
results.show()

Ce modèle est parfait pour les applications qui nécessitent une segmentation rapide et précise.

Performances et comparaisons

L'une des grandes caractéristiques du cadre Ultralytics est la possibilité de comparer différents modèles côte à côte. Tu peux facilement déterminer quel modèle fonctionne le mieux pour ton application spécifique en examinant les mesures de performance telles que la vitesse d'inférence et la précision moyenne (mAP).

Principaux enseignements

Ultralytics rend incroyablement facile l'exécution de modèles de détection et de segmentation d'objets avec seulement quelques lignes de code. Que tu travailles sur des applications en temps réel ou que tu aies besoin de modèles de haute précision, Ultralytics a une solution pour toi. N'oublie pas de consulter le tutoriel complet de Nicolai Nielsen sur la chaîne YouTube Ultralytics pour obtenir des informations et des exemples plus approfondis.

Reste à l'écoute pour d'autres tutoriels et mises à jour de lacommunauté Ultralytics !

‍