Tutoriels complets pour Ultralytics YOLO

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

Que tu sois débutant ou expert en deep learning, nos tutoriels offrent des informations précieuses sur la mise en œuvre et l'optimisation de YOLO pour tes projets de vision par ordinateur.

Guides

Voici une compilation de guides approfondis pour t'aider à maîtriser différents aspects d'Ultralytics YOLO.

• Un guide sur le test de modèles : Un guide complet sur le test de tes modèles de vision par ordinateur dans des environnements réalistes. Apprends à vérifier la précision, la fiabilité et les performances en accord avec les objectifs du projet.
• Démarrage rapide AzureML : Démarre avec les modèles Ultralytics YOLO sur la plateforme d'apprentissage automatique de Microsoft Azure. Apprends à entraîner, déployer et mettre à l'échelle tes projets de détection d'objets dans le cloud.
• Bonnes pratiques pour le déploiement de modèles : Parcours des conseils et les meilleures pratiques pour déployer efficacement des modèles dans des projets de vision par ordinateur, avec un accent sur l'optimisation, le dépannage et la sécurité.
• Conversion COCO vers YOLO : Guide complet pour convertir les annotations JSON COCO au format YOLO pour l'entraînement. Couvre la détection, la segmentation et les points clés avec des conseils spécifiques aux outils pour CVAT, Label Studio et Roboflow.
• Entraînement avec JSON COCO : Entraîne YOLO directement sur des annotations JSON COCO sans conversion au format YOLO, en utilisant une classe de dataset personnalisée et un entraîneur.
• Démarrage rapide Conda : Guide étape par étape pour configurer un environnement Conda pour Ultralytics. Apprends à installer et à commencer à utiliser le package Ultralytics efficacement avec Conda.
• Personnalisation de l'entraîneur : Apprends à sous-classer l'entraîneur YOLO pour journaliser des métriques personnalisées, ajouter une perte pondérée par classe, personnaliser la sauvegarde des modèles, geler/dégeler le backbone et définir des taux d'apprentissage par couche.
• Collecte et annotation de données : Explore les outils, techniques et meilleures pratiques pour collecter et annoter des données afin de créer des entrées de haute qualité pour tes modèles de vision par ordinateur.
• DeepStream sur NVIDIA Jetson : Guide de démarrage rapide pour déployer des modèles YOLO sur des appareils NVIDIA Jetson en utilisant DeepStream et TensorRT.
• 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. Apprends l'importance d'un énoncé de problème bien défini et comment cela crée une feuille de route pour ton projet.
• Démarrage rapide Docker : Guide complet pour configurer et utiliser les modèles Ultralytics YOLO avec Docker. Apprends à installer Docker, gérer le support GPU et exécuter des modèles YOLO dans des conteneurs isolés pour un développement et un déploiement cohérents.
• Edge TPU sur Raspberry Pi : Google Edge TPU accélère l'inférence YOLO sur Raspberry Pi.
• Détection de bout en bout : Comprends la détection de bout en bout sans NMS de YOLO26, la compatibilité d'exportation, les changements de format de sortie et comment migrer depuis d'anciens modèles YOLO.
• Exporter des modèles non-YOLO : Utilise les utilitaires d'exportation autonomes d'Ultralytics pour convertir n'importe quel torch.nn.Module (timm, torchvision, personnalisé) vers ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch et TensorFlow SavedModel.
• Fine-tuning de YOLO sur des données personnalisées : Guide complet pour affiner YOLO26 sur des datasets personnalisés avec des poids pré-entraînés, couvrant l'apprentissage par transfert, le gel de couches, la sélection d'optimiseur, l'entraînement en deux étapes et le dépannage.
• Réglage des hyperparamètres : Découvre comment optimiser tes modèles YOLO en ajustant les hyperparamètres à l'aide de la classe Tuner et des algorithmes d'évolution génétique.
• Aperçus sur l'évaluation et l'affinage des modèles : Obtiens des idées sur les stratégies et les meilleures pratiques pour évaluer et affiner tes modèles de vision par ordinateur. Apprends le processus itératif d'affinement des modèles pour obtenir des résultats optimaux.
• Isoler des objets de segmentation : Recette étape par étape et explication sur la façon d'extraire et/ou d'isoler des objets à partir d'images en utilisant Ultralytics Segmentation.
• Validation croisée K-Fold : Apprends à améliorer la généralisation du modèle en utilisant la technique de validation croisée K-Fold.
• Maintenir ton modèle de vision par ordinateur : Comprends les pratiques clés pour surveiller, maintenir et documenter les modèles de vision par ordinateur afin de garantir la précision, détecter les anomalies et atténuer la dérive des données.
• Options de déploiement de modèles : Aperçu des formats de déploiement de modèles YOLO comme ONNX, OpenVINO et TensorRT, avec les avantages et inconvénients de chacun pour éclairer ta stratégie de déploiement.
• Guide de configuration YAML du modèle : Une plongée profonde et complète dans les définitions d'architecture de modèle d'Ultralytics. Explore le format YAML, comprends le système de résolution de modules et apprends à intégrer des modules personnalisés de manière transparente.
• Prétraitement GPU NVIDIA DALI : Élimine les goulots d'étranglement de prétraitement CPU en exécutant le redimensionnement letterbox, le padding et la normalisation YOLO sur le GPU en utilisant NVIDIA DALI, avec intégration Triton Inference Server.
• NVIDIA DGX Spark : Guide de démarrage rapide pour déployer des modèles YOLO sur des appareils NVIDIA DGX Spark.
• NVIDIA Jetson : Guide de démarrage rapide pour déployer des modèles YOLO sur des appareils NVIDIA Jetson.
• Modes latence vs débit OpenVINO : Apprends les techniques d'optimisation de la latence et du débit pour des performances d'inférence YOLO optimales.
• Prétraitement des données annotées : Apprends à prétraiter et augmenter les données d'image dans les projets de vision par ordinateur en utilisant YOLO26, incluant la normalisation, l'augmentation du dataset, le découpage et l'analyse exploratoire des données (EDA).
• Raspberry Pi : Tutoriel de démarrage rapide pour exécuter des modèles YOLO sur le matériel Raspberry Pi le plus récent.
• Démarrage rapide ROS : Apprends à intégrer YOLO avec le Robot Operating System (ROS) pour la détection d'objets en temps réel dans des applications de robotique, y compris les nuages de points et les images de profondeur.
• Inférence par tuiles SAHI : Guide complet sur l'exploitation des capacités d'inférence découpée de SAHI avec YOLO26 pour la détection d'objets dans des images haute résolution.
• Étapes d'un projet de vision par ordinateur : Apprends les étapes clés impliquées dans un projet de vision par ordinateur, y compris la définition des objectifs, la sélection des modèles, la préparation des données et l'évaluation des résultats.
• Conseils pour l'entraînement de modèles : Explore des conseils sur l'optimisation des tailles de batch, l'utilisation de la précision mixte, l'application de poids pré-entraînés et plus encore pour faciliter l'entraînement de ton modèle de vision par ordinateur.
• Intégration Triton Inference Server : Plonge dans l'intégration d'Ultralytics YOLO26 avec Triton Inference Server de NVIDIA pour des déploiements d'inférence deep learning évolutifs et efficaces.
• Déploiement Vertex AI avec Docker : Guide simplifié pour conteneuriser les modèles YOLO avec Docker et les déployer sur Google Cloud Vertex AI — couvrant la construction, l'envoi, la mise à l'échelle automatique et la surveillance.
• Voir les images d'inférence dans un terminal : Utilise le terminal intégré de VSCode pour voir les résultats d'inférence lors de l'utilisation de Remote Tunnel ou de sessions SSH.
• Recette d'entraînement YOLO26 : Documentation complète des hyperparamètres, pipelines d'augmentation et paramètres d'optimiseur utilisés pour entraîner les points de contrôle de base officiels YOLO26 sur COCO, avec des conseils pratiques d'affinage.
• Problèmes courants YOLO ⭐ RECOMMANDÉ : Solutions pratiques et conseils de dépannage pour les problèmes les plus fréquemment rencontrés lors du travail avec les modèles Ultralytics YOLO.
• Augmentation de données YOLO : Maîtrise l'éventail complet des techniques d'augmentation de données dans YOLO, des transformations de base aux stratégies avancées pour améliorer la robustesse et les performances du modèle.
• Métriques de performance YOLO ⭐ ESSENTIEL : Comprends les métriques clés comme mAP, IoU et score F1 utilisés pour évaluer les performances de tes modèles YOLO. Inclut des exemples pratiques et des conseils sur la façon d'améliorer la précision et la vitesse de détection.
• Inférence YOLO thread-safe : Directives pour effectuer l'inférence avec les modèles YOLO de manière thread-safe. Apprends l'importance de la sécurité des threads et les meilleures pratiques pour éviter les conditions de concurrence et assurer des prédictions cohérentes.

Contribue à nos guides

Nous accueillons 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. Écrire un guide est un excellent moyen de redonner à la communauté et de nous aider à rendre notre documentation plus complète et conviviale.

Pour commencer, merci de lire notre Guide de contribution pour obtenir les directives sur la façon d'ouvrir une Pull Request (PR). Nous attendons tes contributions avec impatience.

FAQ

Comment entraîner un modèle de détection d'objets personnalisé en utilisant Ultralytics YOLO ?

L'entraînement d'un modèle de détection d'objets personnalisé avec Ultralytics YOLO est simple. Commence par préparer ton dataset au bon format et par installer le package Ultralytics. Utilise le code suivant pour lancer l'entraînement :

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load a pretrained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

Pour un formatage de dataset détaillé et des options supplémentaires, reporte-toi à notre guide Conseils pour l'entraînement de modèles.

Quelles métriques de performance dois-je utiliser pour évaluer mon modèle YOLO ?

L'évaluation des performances de ton modèle YOLO est cruciale pour comprendre son efficacité. Les métriques clés incluent la précision moyenne (mAP), l'intersection sur union (IoU) et le score F1. Ces métriques aident à évaluer la précision et la justesse des tâches de détection d'objets. Tu peux en apprendre davantage sur ces métriques et comment améliorer ton modèle dans notre guide Métriques de performance YOLO.

Pourquoi devrais-je utiliser Ultralytics Platform pour mes projets de vision par ordinateur ?

Ultralytics Platform est une plateforme sans code qui simplifie la gestion, l'entraînement et le déploiement de modèles YOLO. Elle prend en charge une intégration transparente, un suivi en temps réel et un entraînement dans le cloud, ce qui la rend idéale aussi bien pour les débutants que pour les professionnels. Découvre plus sur ses fonctionnalités et comment elle peut rationaliser ton flux de travail avec notre guide de démarrage rapide Ultralytics Platform.

Quels sont les problèmes courants rencontrés pendant l'entraînement d'un modèle YOLO et comment puis-je les résoudre ?

Les problèmes courants lors de l'entraînement d'un modèle YOLO incluent des erreurs de formatage des données, des inadéquations d'architecture de modèle et des données d'entraînement insuffisantes. Pour résoudre ces problèmes, assure-toi que ton dataset est correctement formaté, vérifie la compatibilité des versions du modèle et augmente tes données d'entraînement. Pour une liste complète de solutions, reporte-toi à notre guide Problèmes courants YOLO.

Comment puis-je déployer mon modèle YOLO pour la détection d'objets en temps réel sur des appareils edge ?

Le déploiement de modèles YOLO sur des appareils edge comme NVIDIA Jetson et Raspberry Pi nécessite la conversion du modèle vers un format compatible tel que TensorRT ou TFLite. Suis nos guides étape par étape pour les déploiements NVIDIA Jetson et Raspberry Pi pour commencer la détection d'objets en temps réel sur du matériel edge. Ces guides te guideront à travers l'installation, la configuration et l'optimisation des performances.