Accueil

中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Türkçe | Tiếng Việt | العربية

Introduction Ultralytics YOLO11YOLO11 , la dernière version du célèbre modèle de détection d'objets et de segmentation d'images en temps réel. s'appuie sur des avancées de pointe en matière d'apprentissage profond et de vision par ordinateur, offrant des performances inégalées en termes de rapidité et de précision. Sa conception rationalisée lui permet de convenir à diverses applications et de s'adapter facilement à différentes plates-formes matérielles, des appareils périphériques aux API dans le nuage.

Explorez le site Ultralytics Docs, une ressource complète conçue pour vous aider à comprendre et à utiliser ses fonctionnalités et ses capacités. Que vous soyez un praticien chevronné de l'apprentissage automatique ou un nouveau venu dans le domaine, ce hub vise à maximiser le potentiel de YOLO dans vos projets.

Par où commencer ?

Regarder : Comment former un modèle YOLO sur votre ensemble de données personnalisé en Google Colab.

YOLO: Une brève histoire

YOLO (You Only Look Once), un modèle populaire de détection d'objets et de segmentation d'images, a été développé par Joseph Redmon et Ali Farhadi à l'Université de Washington. Lancé en 2015, YOLO a rapidement gagné en popularité grâce à sa rapidité et à sa précision.

• YOLOv2, publié en 2016, a amélioré le modèle original en incorporant la normalisation des lots, les boîtes d'ancrage et les grappes de dimensions.
• YOLOv3, lancé en 2018, a encore amélioré les performances du modèle en utilisant un réseau dorsal plus efficace, des ancres multiples et une mise en commun des pyramides spatiales.
• YOLOv4 a été publié en 2020, introduisant des innovations telles que l'augmentation des données Mosaic, une nouvelle tête de détection sans ancrage et une nouvelle fonction de perte.
• YOLOv5 a encore amélioré les performances du modèle et a ajouté de nouvelles fonctionnalités telles que l'optimisation des hyperparamètres, le suivi intégré des expériences et l'exportation automatique vers les formats d'exportation les plus courants.
• YOLOv6 a été mis en libre accès par Meituan en 2022 et est utilisé dans de nombreux robots de livraison autonomes de l'entreprise.
• YOLOv7 a ajouté des tâches supplémentaires telles que l'estimation de la pose sur le jeu de données COCO keypoints.
• YOLOv8 publié en 2023 par Ultralytics. YOLOv8 a introduit de nouvelles fonctionnalités et des améliorations pour accroître les performances, la flexibilité et l'efficacité, en prenant en charge une gamme complète de tâches d'IA visionnaire,
• YOLOv9 introduit des méthodes innovantes telles que l'information programmable de gradient (PGI) et le réseau d'agrégation de couches efficace généralisé (GELAN).
• YOLOv10 a été créé par des chercheurs de l'université de Tsinghua à l'aide du logiciel Ultralytics Python (en anglais). Cette version propose des avancées en matière de détection d'objets en temps réel en introduisant une tête de bout en bout qui élimine les exigences en matière de suppression non maximale (NMS).
• YOLO11 🚀 NOUVEAU: Ultralytics' derniers modèles YOLO offrant des performances de pointe (SOTA) dans de multiples tâches, y compris la détection, la segmentation, l'estimation de la pose, le suivi et la classification, tirer parti des capacités dans diverses applications et domaines de l'IA.

YOLO Licences : Comment Ultralytics YOLO est-il licencié ?

Ultralytics propose deux options de licence pour répondre aux différents cas d'utilisation :

• AGPL-3.0 Licence: Cette licence open-source approuvée par l'OSI est idéale pour les étudiants et les passionnés, car elle favorise la collaboration ouverte et le partage des connaissances. Voir le fichier LICENSE pour plus de détails.
• Licence d'entreprise: Conçue pour un usage commercial, cette licence permet l'intégration transparente du logiciel Ultralytics et des modèles d'IA dans des biens et services commerciaux, en contournant les exigences en matière de code source libre de AGPL-3.0. Si votre scénario implique l'intégration de nos solutions dans une offre commerciale, contactez Ultralytics Licensing.

Notre stratégie d'octroi de licences est conçue pour garantir que toute amélioration apportée à nos projets à code source ouvert soit reversée à la communauté. Les principes de l'open source nous tiennent à cœur ❤️, et notre mission est de garantir que nos contributions peuvent être utilisées et développées de manière bénéfique pour tous.

FAQ

Qu'est-ce que Ultralytics YOLO et comment améliore-t-il la détection des objets ?

Ultralytics YOLO est la dernière avancée de la célèbre série YOLO (You Only Look Once) pour la détection d'objets et la segmentation d'images en temps réel. Elle s'appuie sur les versions précédentes en introduisant de nouvelles fonctionnalités et des améliorations pour accroître les performances, la flexibilité et l'efficacité. YOLO prend en charge diverses tâches d'IA visionnaire telles que la détection, la segmentation, l'estimation de la pose, le suivi et la classification. Son architecture de pointe garantit une vitesse et une précision supérieures, ce qui la rend adaptée à diverses applications, y compris les appareils périphériques et les API en nuage.

Comment puis-je commencer l'installation et la configuration de YOLO ?

L'utilisation de YOLO est rapide et simple. Vous pouvez installer le paquet Ultralytics à l'aide de pip et être opérationnel en quelques minutes. Voici une commande d'installation de base :

pip install ultralytics

Pour obtenir un guide complet étape par étape, consultez notre guide de démarrage rapide. Cette ressource vous aidera pour les instructions d'installation, la configuration initiale et l'exécution de votre premier modèle.

Comment puis-je entraîner un modèle YOLO personnalisé sur mon ensemble de données ?

La formation d'un modèle YOLO personnalisé sur votre ensemble de données implique quelques étapes détaillées :

1. Préparez votre jeu de données annoté.
2. Configurer les paramètres de formation dans un fichier YAML.
3. Utiliser le yolo TASK train pour commencer la formation. (Chaque TASK a son propre argument)

Voici un exemple de code pour la tâche de détection d'objets :

from ultralytics import YOLO

# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

# Train a YOLO model from the command line
yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640

Pour une présentation détaillée, consultez notre guide Former un modèle, qui comprend des exemples et des conseils pour optimiser votre processus de formation.

Quelles sont les options de licence disponibles pour Ultralytics YOLO ?

Ultralytics propose deux options de licence pour YOLO:

• AGPL-3.0 Licence: Cette licence open-source est idéale pour une utilisation éducative et non commerciale, favorisant une collaboration ouverte.
• Licence d'entreprise: Elle est destinée aux applications commerciales et permet l'intégration transparente du logiciel Ultralytics dans des produits commerciaux sans les restrictions de la licence AGPL-3.0 .

Pour plus de détails, consultez notre page sur les licences.

Comment Ultralytics YOLO peut-il être utilisé pour le suivi d'objets en temps réel ?

Ultralytics YOLO permet un suivi efficace et personnalisable de plusieurs objets. Pour utiliser les capacités de suivi, vous pouvez utiliser la fonction yolo track comme indiqué ci-dessous :

from ultralytics import YOLO

# Load a pre-trained YOLO model
model = YOLO("yolo11n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4

Pour un guide détaillé sur la configuration et le fonctionnement du suivi des objets, consultez notre documentation sur le mode de suivi, qui explique la configuration et les applications pratiques dans des scénarios en temps réel.

📅C réé il y a 1 an ✏️ Mis à jour il y a 0 jour

Commentaires