Tutoriels complets pour Ultralytics YOLO#

Bienvenue dans les guides YOLO d'Ultralytics. Nos tutoriels complets couvrent différents aspects du modèle YOLO de détection d'objets, de l'entraînement et de la prédiction au déploiement. Construit sur PyTorch, YOLO se distingue par sa vitesse et sa précision exceptionnelles pour les tâches de détection d'objets en temps réel.

Que tu sois débutant ou expert en apprentissage profond, nos tutoriels t'apportent des informations précieuses sur l'implémentation et l'optimisation de YOLO pour tes projets de vision par ordinateur.

Guides#

Les guides sont regroupés par étape du projet — de la configuration de l'environnement et de la préparation des données à l'entraînement, l'évaluation, le déploiement, l'optimisation de l'inférence et le matériel edge — afin que tu puisses accéder directement à l'étape sur laquelle tu travailles.

Commencer et planifier#

• Démarrage rapide avec Conda : guide étape par étape pour configurer un environnement Conda pour Ultralytics. Apprends à installer et à commencer à utiliser efficacement le package Ultralytics avec Conda.
• Démarrage rapide avec Docker : guide complet pour configurer et utiliser les modèles Ultralytics YOLO avec Docker. Apprends à installer Docker, à gérer la prise en charge du GPU et à exécuter des modèles YOLO dans des conteneurs isolés pour garantir la cohérence du développement et du déploiement.
• Démarrage rapide avec AzureML : commence rapidement à utiliser les modèles Ultralytics YOLO sur la plateforme Azure Machine Learning de Microsoft. Apprends à entraîner, déployer et mettre à l'échelle tes projets de détection d'objets dans le cloud.
• Démarrage rapide avec Modal : exécute Ultralytics YOLO26 sur la plateforme cloud serverless de Modal, avec l'authentification, l'inférence sur GPU et les tâches d'entraînement avec stockage persistant — sans infrastructure à gérer.
• Définir les objectifs d'un projet de vision par ordinateur : découvre comment définir efficacement des objectifs clairs et mesurables pour ton projet de vision par ordinateur. Comprends l'importance d'un énoncé de problème bien défini et la manière dont il crée une feuille de route pour ton projet.
• Étapes d'un projet de vision par ordinateur : découvre les étapes clés d'un projet de vision par ordinateur, notamment la définition des objectifs, la sélection des modèles, la préparation des données et l'évaluation des résultats.
• L'architecture YOLO expliquée : suis l'évolution de l'architecture YOLO, de YOLOv3 à YOLO26, au niveau du backbone, du neck et de la tête de détection, avec C2f, C3k2, l'attention C2PSA, ainsi que les architectures sans ancres et sans NMS.

Préparer tes données#

• Collecte et annotation des données : découvre les outils, techniques et bonnes pratiques pour collecter et annoter des données afin de créer des entrées de haute qualité pour tes modèles de vision par ordinateur.
• Prétraitement des données annotées : découvre le prétraitement des données pour la vision par ordinateur avec YOLO26, notamment le redimensionnement des images, la normalisation, la division des jeux de données, l'augmentation des données et l'analyse exploratoire des données (EDA).
• Augmentation des données avec YOLO : maîtrise l'ensemble des techniques d'augmentation des données dans YOLO, des transformations de base aux stratégies avancées visant à améliorer la robustesse et les performances du modèle.
• Conversion de COCO vers YOLO : guide complet pour convertir des annotations JSON COCO au format YOLO à des fins d'entraînement. Couvre la détection, la segmentation et les points clés, notamment la correspondance des identifiants de classe et les pièges courants de conversion.
• Entraînement COCO JSON : entraîne YOLO directement sur des annotations COCO JSON sans les convertir au format YOLO, à l'aide d'une classe de jeu de données et d'un entraîneur personnalisés.

Entraîner et ajuster#

• Conseils pour l'entraînement des modèles : découvre des conseils pour optimiser les tailles de lot, utiliser la précision mixte, appliquer des poids préentraînés et bien plus encore afin de faciliter l'entraînement de ton modèle de vision par ordinateur.
• Ajustement fin de YOLO sur des données personnalisées : guide complet pour effectuer l'ajustement fin de YOLO26 sur des jeux de données personnalisés avec des poids préentraînés, couvrant l'apprentissage par transfert, le gel des couches, la sélection de l'optimiseur, l'entraînement en deux étapes et le dépannage.
• Recette d'entraînement de YOLO26 : documentation complète des hyperparamètres, des pipelines d'augmentation et des paramètres de l'optimiseur utilisés pour entraîner les checkpoints de base officiels de YOLO26 sur COCO, avec des conseils pratiques pour l'ajustement fin.
• Optimisation des hyperparamètres : découvre comment optimiser tes modèles YOLO en ajustant finement les hyperparamètres à l'aide de la classe Tuner et d'algorithmes d'évolution génétique.
• Distillation des connaissances : découvre comment améliorer les performances d'un modèle en transférant les connaissances d'un modèle enseignant plus grand vers un modèle étudiant plus petit à l'aide d'une distillation fondée sur les caractéristiques.
• Validation croisée K-Fold : découvre comment améliorer la généralisation d'un modèle à l'aide de la technique de validation croisée K-Fold.
• Personnaliser l'entraîneur : découvre comment créer une sous-classe de l'entraîneur YOLO pour journaliser des métriques personnalisées, ajouter une fonction de perte pondérée par classe, personnaliser l'enregistrement du modèle, geler ou dégeler le backbone et définir des taux d'apprentissage par couche.
• Guide de configuration YAML des modèles : analyse approfondie des définitions de l'architecture des modèles d'Ultralytics. Explore le format YAML, comprends le système de résolution des modules et apprends à intégrer facilement des modules personnalisés.

Évaluer et résoudre les problèmes#

• Métriques de performance de YOLO ⭐ ESSENTIEL : comprends les principales métriques, telles que mAP, IoU et le score F1, utilisées pour évaluer les performances de tes modèles YOLO. Comprend des exemples pratiques et des conseils pour améliorer la précision et la vitesse de détection.
• Informations sur l'évaluation et l'ajustement fin des modèles : évalue les modèles de vision par ordinateur avec des métriques telles que mAP et IoU, puis exploite ce que révèlent ces métriques pour améliorer la précision de la détection.
• Tester les modèles : apprends à tester des modèles de vision par ordinateur sur des données inédites, à valider des modèles YOLO26 et à détecter le surapprentissage, le sous-apprentissage et les fuites de données avant le déploiement.
• Problèmes courants de YOLO ⭐ RECOMMANDÉ : solutions pratiques et conseils de dépannage pour les problèmes les plus fréquemment rencontrés lors de l'utilisation des modèles Ultralytics YOLO.
• Entretenir ton modèle de vision par ordinateur : comprends les pratiques clés pour surveiller, entretenir et documenter les modèles de vision par ordinateur afin de garantir leur précision, de repérer les anomalies et d'atténuer la dérive des données.

Déployer et servir#

• Options de déploiement des modèles : aperçu des formats de déploiement des modèles YOLO tels que ONNX, OpenVINO et TensorRT, avec leurs avantages et inconvénients pour éclairer ta stratégie de déploiement.
• Bonnes pratiques pour le déploiement des modèles : découvre des conseils et bonnes pratiques pour déployer efficacement des modèles dans des projets de vision par ordinateur, en mettant l'accent sur l'optimisation, le dépannage et la sécurité.
• Exporter des modèles non-YOLO: Utilise les utilitaires d'exportation autonomes d'Ultralytics pour convertir n'importe quel modèle torch.nn.Module (timm, torchvision, personnalisé) en ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch, Core AI et TensorFlow SavedModel.
• End-to-End Detection : choisis une inférence avec ou sans NMS et comprends les formats de sortie ainsi que la compatibilité d'exportation.
• Intégration de Triton Inference Server : approfondis l'intégration d'Ultralytics YOLO26 avec Triton Inference Server de NVIDIA pour des déploiements d'inférence en deep learning évolutifs et efficaces.
• Inférence YOLO thread-safe : directives pour effectuer des inférences avec des modèles YOLO de manière thread-safe. Découvre l'importance de la sécurité des threads et les bonnes pratiques pour éviter les conditions de concurrence et garantir des prédictions cohérentes.
• Démarrage rapide avec ROS : apprends à intégrer YOLO au système d'exploitation robotique (ROS) pour la détection d'objets en temps réel dans les applications robotiques, notamment avec des nuages de points et des images de profondeur.
• Déploiement sur Vertex AI avec Docker : guide simplifié pour conteneuriser des modèles YOLO avec Docker et les déployer sur Google Cloud Vertex AI, couvrant la compilation, l'envoi, la mise à l'échelle automatique et la surveillance.

Optimiser l'inférence#

• Inférence par tuiles avec SAHI : guide complet sur l'utilisation des capacités d'inférence par découpage de SAHI avec YOLO26 pour la détection d'objets dans des images haute résolution.
• Modes de latence et de débit OpenVINO : découvre les techniques d'optimisation de la latence et du débit pour atteindre des performances maximales lors de l'inférence YOLO.
• Prétraitement GPU avec NVIDIA DALI : élimine les goulots d'étranglement du prétraitement sur CPU en exécutant sur le GPU le redimensionnement letterbox, le remplissage et la normalisation de YOLO avec NVIDIA DALI, avec intégration de Triton Inference Server.
• Isoler les objets segmentés : recette étape par étape et explication de l'extraction et/ou de l'isolation d'objets dans des images à l'aide de la segmentation Ultralytics.
• Afficher les images d'inférence dans un terminal : utilise le terminal intégré de VSCode pour afficher les résultats d'inférence lors de l'utilisation de Remote Tunnel ou de sessions SSH.

Matériel edge et embarqué#

• NVIDIA Jetson : guide de démarrage rapide pour déployer des modèles YOLO sur les appareils NVIDIA Jetson.
• Raspberry Pi : tutoriel de démarrage rapide pour exécuter des modèles YOLO sur les derniers appareils Raspberry Pi.
• DeepStream sur NVIDIA Jetson : guide de démarrage rapide pour déployer des modèles YOLO sur les appareils NVIDIA Jetson avec DeepStream et TensorRT.
• Edge TPU sur Raspberry Pi : Google Edge TPU accélère l'inférence YOLO sur Raspberry Pi.
• NVIDIA DGX Spark : guide de démarrage rapide pour déployer des modèles YOLO sur les appareils NVIDIA DGX Spark.
• DL Streamer sur Intel : guide de démarrage rapide pour déployer des modèles YOLO26 sur les appareils Intel Core Ultra Series 3 avec DL Streamer et OpenVINO™.

Contribuer à nos guides#

Nous accueillons avec plaisir les contributions de la communauté ! Si tu maîtrises un aspect particulier d'Ultralytics YOLO qui n'est pas encore couvert dans nos guides, nous t'encourageons à partager ton expertise. Rédiger un guide est une excellente façon de contribuer à la communauté et de nous aider à rendre notre documentation plus complète et plus facile à utiliser.

Pour commencer, consulte notre guide de contribution afin de connaître les directives pour ouvrir une demande de fusion (PR). Lorsque tu ajoutes un nouveau guide, place-le dans la catégorie ci-dessus correspondant à l'étape de ton projet et limite-le à un seul type de page — tutoriel étape par étape, guide pratique axé sur une tâche ou référence — afin que la collection reste facile à parcourir au fur et à mesure de sa croissance. Nous attendons tes contributions avec impatience.

FAQ#