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

Accueil

Découvre Ultralytics YOLO26, la dernière version de notre modèle acclamé de détection d'objets et de segmentation d'images en temps réel. YOLO26 est bâti sur des avancées en deep learning et en computer vision, offrant une inférence de bout en bout sans NMS et un déploiement optimisé pour l'edge. Sa conception simplifiée le rend adapté à de nombreuses applications et facilement adaptable à diverses plateformes matérielles, des appareils edge aux API cloud. Pour des charges de travail de production stables, YOLO26 ainsi que YOLO11 sont recommandés.

Explore la documentation Ultralytics, une ressource complète conçue pour t'aider à comprendre et à utiliser ses fonctionnalités et ses capacités. Que tu sois un pratiquant expérimenté 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.

Par où commencer

YOLO : 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, sorti en 2016, a amélioré le modèle original en incorporant la normalisation par lots (batch normalization), les ancres (anchor boxes) et le clustering 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 est sorti 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 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 COCO keypoints.
• YOLOv8, sorti en 2023 par Ultralytics, a introduit de nouvelles fonctionnalités et améliorations pour une performance, une flexibilité et une efficacité accrues, prenant en charge une gamme complète de tâches de vision par IA.
• YOLOv9 introduit des méthodes innovantes comme les informations de gradient programmables (PGI) et le réseau d'agrégation de couches efficace généralisé (GELAN).
• YOLOv10, créé par des chercheurs de l'Tsinghua University en utilisant le Ultralytics Python package, fournit des avancées en object detection en temps réel en introduisant une tête End-to-End qui élimine les exigences de Non-Maximum Suppression (NMS).
• YOLO11 : Sorti en septembre 2024, YOLO11 offre d'excellentes performances sur plusieurs tâches, notamment la object detection, la segmentation, l'pose estimation, le tracking et la classification, permettant un déploiement sur diverses applications et domaines d'IA.
• YOLO26 🚀 : Le modèle YOLO de nouvelle génération d'Ultralytics optimisé pour le déploiement edge avec une inférence de bout en bout sans NMS.

Licences YOLO : Comment Ultralytics YOLO est-il licencié ?

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

• Licence AGPL-3.0 : Cette licence open-source OSI-approved 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 le développement et l'usage en production, cette licence permet une intégration transparente des logiciels et des modèles d'IA d'Ultralytics dans les produits et services professionnels, 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 Ultralytics Licensing.

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 tout le monde.

L'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 de deep learning avancés. La famille de modèles YOLO a été à l'avant-garde de cette évolution, repoussant constamment les limites de ce qui est possible en détection d'objets en temps réel.

L'approche unique de YOLO traite la détection d'objets comme un problème de régression unique, 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 haute précision.

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

FAQ

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

Ultralytics YOLO 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 edge optimisé. YOLO prend en charge diverses vision AI tasks telles que la detection, la instance segmentation, la semantic segmentation, l'pose estimation, le tracking et la classification. Son architecture efficace garantit une vitesse et une précision excellentes, le rendant adapté à diverses applications, y compris les appareils edge et les API cloud.

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

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

Comment 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 démarrer 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.

Quelles sont les options de licence disponibles pour Ultralytics YOLO ?

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, en contournant les exigences open-source de l'AGPL-3.0.

Pour plus de détails, visite notre page Licensing.

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

Ultralytics YOLO prend en charge le suivi multi-objets efficace et personnalisable. Pour utiliser les capacités de suivi, tu peux utiliser la commande yolo track, comme indiqué 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.