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

Link to this sectionAccueil#

Découvre Ultralytics YOLO26, la toute dernière version du célèbre modèle de détection d'objets et de segmentation d'images en temps réel. YOLO26 repose sur des avancées en deep learning et en computer vision, avec une inférence de bout en bout sans NMS et un déploiement optimisé en edge. Sa conception rationalisée le rend adapté à diverses applications et facilement adaptable à différentes plateformes matérielles, des appareils edge aux API cloud. Pour des charges de travail stables en production, YOLO26 et YOLO11 sont recommandés.

Explore la documentation d'Ultralytics, une ressource complète conçue pour t'aider à comprendre et à utiliser ses fonctionnalités et ses capacités. Que tu sois un pratiquant chevronné du machine learning ou un débutant dans le domaine, ce hub vise à maximiser le potentiel de YOLO dans tes projets.

Demande une licence entreprise pour un usage commercial sur Ultralytics Licensing.

Link to this sectionPar où commencer#

Link to this sectionYOLO : Une brève histoire#

YOLO (You Only Look Once), un modèle populaire de object detection et de image segmentation, a été développé par Joseph Redmon et Ali Farhadi à l'Université de Washington. Lancé en 2015, YOLO a gagné en popularité pour sa grande vitesse et sa précision.

• YOLOv2, publié en 2016, a amélioré le modèle original en incorporant la normalisation par lots (batch normalization), des ancres (anchor boxes) et des clusters de dimensions.
• YOLOv3, lancé en 2018, a encore amélioré les performances du modèle en utilisant un réseau backbone plus efficace, des ancres multiples et une mise en commun pyramidale spatiale (spatial pyramid pooling).
• YOLOv4 a été publié en 2020, introduisant des innovations comme l'augmentation de données Mosaic data augmentation, une nouvelle tête de détection sans ancres et une nouvelle loss function.
• YOLOv5 a encore amélioré les performances du modèle et a ajouté de nouvelles fonctionnalités telles que l'optimisation des hyperparamètres, le suivi des expériences intégré et l'exportation automatique vers des formats d'exportation populaires.
• YOLOv6 a été mis en open-source par Meituan en 2022 et est utilisé dans bon nombre des robots de livraison autonomes de l'entreprise.
• YOLOv7 a ajouté des tâches supplémentaires telles que l'estimation de pose sur le jeu de données de points clés COCO.
• YOLOv8, publié en 2023 par Ultralytics, a introduit de nouvelles fonctionnalités et améliorations pour des performances, une flexibilité et une efficacité accrues, prenant en charge une gamme complète de tâches de vision IA.
• YOLOv9 introduit des méthodes innovantes comme Programmable Gradient Information (PGI) et le Generalized Efficient Layer Aggregation Network (GELAN).
• YOLOv10 created by researchers from Tsinghua University using the Ultralytics Python package, provides real-time object detection advancements by introducing an End-to-End head that eliminates Non-Maximum Suppression (NMS) requirements.
• YOLO11 : Publié en septembre 2024, YOLO11 offre d'excellentes performances sur de multiples tâches, y compris l'object detection, la segmentation, l'pose estimation, le tracking et la classification, permettant le déploiement sur diverses applications et domaines d'IA.
• YOLO26 🚀 : Le modèle YOLO de nouvelle génération d'Ultralytics optimisé pour le déploiement en edge avec une inférence de bout en bout sans NMS.

Link to this sectionLicences YOLO : Comment YOLO d'Ultralytics est-il sous licence ?#

Ultralytics propose deux options de licence pour s'adapter à divers cas d'utilisation :

• Licence AGPL-3.0 : Cette licence open-source approuvée par l'OSI est idéale pour les étudiants et les passionnés, favorisant la collaboration ouverte et le partage des connaissances. Consulte le fichier LICENSE pour plus de détails.
• Licence Entreprise : Pour une utilisation en développement et en production, cette licence permet une intégration transparente des logiciels et des modèles d'IA d'Ultralytics dans des produits et services commerciaux, y compris les outils internes, les flux de travail automatisés et les déploiements en production, en contournant les exigences open source de l'AGPL-3.0. Pour commencer, contacte-nous via Licences Ultralytics.

Notre stratégie de licence est conçue pour garantir que toute amélioration apportée à nos projets open-source soit rendue à la communauté. Nous croyons en l'open source et notre mission est de garantir que nos contributions puissent être utilisées et étendues de manière à profiter à tous.

Link to this sectionL'évolution de la détection d'objets#

La détection d'objets a considérablement évolué au fil des ans, passant des techniques traditionnelles de vision par ordinateur aux modèles avancés de deep learning. La famille de modèles YOLO a été à l'avant-garde de cette évolution, repoussant constamment les limites de ce qui est possible en matière de détection d'objets en temps réel.

L'approche unique de YOLO traite la détection d'objets comme un simple problème de régression, prédisant les bounding boxes et les probabilités de classe directement à partir d'images complètes en une seule évaluation. Cette méthode révolutionnaire a rendu les modèles YOLO nettement plus rapides que les détecteurs à deux étapes précédents, tout en maintenant une précision élevée.

Avec chaque nouvelle version, YOLO a introduit des améliorations architecturales et des techniques innovantes qui ont amélioré les performances selon diverses mesures. YOLO26 perpétue cette tradition en intégrant les dernières avancées en recherche en vision par ordinateur, avec une inférence de bout en bout sans NMS et un déploiement optimisé en edge pour des applications réelles.

Link to this sectionFAQ#

Link to this sectionQu'est-ce que YOLO d'Ultralytics et comment améliore-t-il la détection d'objets ?#

YOLO d'Ultralytics est la série acclamée YOLO (You Only Look Once) pour la détection d'objets et la segmentation d'images en temps réel. Le dernier modèle, YOLO26, s'appuie sur les versions précédentes en introduisant une inférence de bout en bout sans NMS et un déploiement optimisé en edge. YOLO prend en charge diverses vision AI tasks telles que la detection, l'instance segmentation, la semantic segmentation, l'pose estimation, le tracking et la classification. Son architecture efficace assure une excellente vitesse et précision, le rendant adapté à diverses applications, notamment les appareils edge et les API cloud.

Link to this sectionComment puis-je commencer avec l'installation et la configuration de YOLO ?#

Commencer avec YOLO est rapide et simple. Tu peux installer le package Ultralytics en utilisant pip et être opérationnel en quelques minutes. Voici une commande d'installation de base :

pip install -U ultralytics

Pour un guide étape par étape complet, visite notre page Quickstart. Cette ressource t'aidera avec les instructions d'installation, la configuration initiale et l'exécution de ton premier modèle.

Link to this sectionComment puis-je entraîner un modèle YOLO personnalisé sur mon jeu de données ?#

L'entraînement d'un modèle YOLO personnalisé sur ton jeu de données implique quelques étapes détaillées :

1. Prépare ton jeu de données annoté.
2. Configure les paramètres d'entraînement dans un fichier YAML.
3. Utilise la commande yolo TASK train pour lancer l'entraînement. (Chaque TASK a ses propres arguments)

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

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

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

Pour une procédure détaillée, consulte notre guide Train a Model, qui inclut des exemples et des conseils pour optimiser ton processus d'entraînement.

Link to this sectionQuelles sont les options de licence disponibles pour YOLO d'Ultralytics ?#

Ultralytics propose deux options de licence pour YOLO :

• Licence AGPL-3.0 : Cette licence open-source est idéale pour un usage éducatif et non commercial, favorisant la collaboration ouverte.
• Licence Entreprise : Pour le développement et l'usage en production, y compris les outils internes, les flux de travail automatisés et les déploiements en production, contournant les exigences open-source de l'AGPL-3.0.

Pour plus de détails, visite notre page Licensing.

Link to this sectionComment YOLO d'Ultralytics peut-il être utilisé pour le suivi d'objets en temps réel ?#

YOLO d'Ultralytics prend en charge le suivi multi-objets efficace et personnalisable. Pour utiliser les capacités de suivi, tu peux utiliser la commande yolo track, comme illustré ci-dessous :

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

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

Pour un guide détaillé sur la configuration et l'exécution du suivi d'objets, consulte notre documentation Track Mode, qui explique la configuration et les applications pratiques dans des scénarios en temps réel.