Tutoriels complets sur 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. Basé sur PyTorch, YOLO se distingue par sa vitesse exceptionnelle et sa précision pour les tâches de détection d’objets en temps réel.

Que tu sois débutant ou expert en apprentissage profond, nos tutoriels t’apportent des conseils précieux sur la mise en œuvre 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 la préparation des données à l’entraînement, l’évaluation, le déploiement, l’optimisation de l’inférence et le matériel Edge — pour que tu puisses accéder directement à l’étape sur laquelle tu travailles.

Démarrer et planifier#

• Démarrage rapide avec Conda : guide pas à pas pour configurer un environnement Conda pour Ultralytics. Découvre comment installer le package Ultralytics et commencer à l’utiliser efficacement avec Conda.
• Démarrage rapide avec Docker : guide complet pour configurer et utiliser les modèles Ultralytics YOLO avec Docker. Découvre comment installer Docker, gérer la prise en charge du GPU et exécuter les modèles YOLO dans des conteneurs isolés pour assurer la cohérence du développement et du déploiement.
• Démarrage rapide avec AzureML : lance-toi avec les modèles Ultralytics YOLO sur la plateforme de Machine Learning Azure de Microsoft. Découvre comment entraîner, déployer et faire évoluer 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 étape par étape comment définir efficacement des objectifs clairs et mesurables pour ton projet de vision par ordinateur. Découvre l’importance d’un énoncé de problème bien défini et comment il établit une feuille de route pour ton projet.
• Étapes d’un projet de vision par ordinateur : découvre les principales étapes d’un projet de vision par ordinateur, notamment la définition des objectifs, le choix 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, à travers le backbone, le neck et la tête de détection, notamment C2f, C3k2, l’attention C2PSA, ainsi que les conceptions 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 qui améliorent la robustesse et les performances du modèle.
• Conversion de COCO vers YOLO : guide complet pour convertir des annotations COCO JSON au format YOLO en vue de l’entraînement. Il couvre la détection, la segmentation et les points clés, notamment la correspondance des identifiants de classe et les erreurs courantes de conversion.
• Entraînement avec 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 affiner#

• 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, afin de simplifier l’entraînement de ton modèle de vision par ordinateur.
• Affiner YOLO sur des données personnalisées : guide complet pour affiner YOLO26 sur des jeux de données personnalisés avec des poids préentraînés. Il couvre l’apprentissage par transfert, le gel des couches, le choix 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 points de contrôle officiels YOLO26 base sur COCO, avec des conseils pratiques pour l’affinage.
• Réglage des hyperparamètres : découvre comment optimiser tes modèles YOLO en ajustant les hyperparamètres avec la classe Tuner et des 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, grâce à la distillation basée sur les caractéristiques.
• Validation croisée K-Fold : découvre comment améliorer la généralisation d’un modèle à l’aide de la 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/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 Ultralytics. Découvre 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 YOLO ⭐ INDISPENSABLE : comprends les métriques clés telles que mAP, IoU et le score F1, utilisées pour évaluer les performances de tes modèles YOLO. Tu y trouveras des exemples pratiques et des conseils pour améliorer la précision et la vitesse de détection.
• Conseils sur l’évaluation et l’affinage des modèles : évalue les modèles de vision par ordinateur à l’aide de métriques comme mAP et IoU, puis exploite les informations fournies par ces métriques pour améliorer la précision de détection.
• Tester les modèles : découvre comment tester des modèles de vision par ordinateur sur des données inédites, valider des modèles YOLO26 et détecter le surapprentissage, le sous-apprentissage et les fuites de données avant le déploiement.
• Problèmes courants avec YOLO ⭐ RECOMMANDÉ : solutions pratiques et conseils de dépannage pour les problèmes les plus fréquemment rencontrés avec les modèles Ultralytics YOLO.
• Maintenir ton modèle de vision par ordinateur : comprends les principales pratiques de surveillance, de maintenance et de documentation des modèles de vision par ordinateur pour garantir leur précision, repérer les anomalies et atténuer la dérive des données.

Déployer et servir#

• Options de déploiement des modèles : aperçu des formats de déploiement de modèles YOLO comme ONNX, OpenVINO et TensorRT, avec leurs avantages et inconvénients pour éclairer ta stratégie de déploiement.
• Bonnes pratiques de déploiement des modèles : découvre des conseils et des 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 autres que YOLO : utilise les utilitaires d’exportation autonomes d’Ultralytics pour convertir n’importe quel torch.nn.Module (timm, torchvision, personnalisé) vers TorchScript, ONNX, OpenVINO, CoreML, Core AI, TensorFlow SavedModel, PaddlePaddle, MNN, NCNN et ExecuTorch.
• Détection de bout en bout : choisis l’inférence avec ou sans NMS et comprends les formats de sortie ainsi que la compatibilité des exportations.
• Intégration de Triton Inference Server : découvre en détail l’intégration d’Ultralytics YOLO26 avec Triton Inference Server de NVIDIA pour des déploiements d’inférence en apprentissage profond évolutifs et efficaces.
• Inférence YOLO thread-safe : recommandations pour effectuer l’inférence avec les 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 : découvre comment intégrer YOLO au système d’exploitation pour robots (ROS) afin de détecter des objets en temps réel dans des applications de robotique, notamment dans les nuages de points et les images de profondeur.
• Déploiement sur Vertex AI avec Docker : guide simplifié pour conteneuriser les modèles YOLO avec Docker et les déployer sur Google Cloud Vertex AI — il couvre la compilation, l’envoi, la mise à l’échelle automatique et la surveillance.

Optimiser l’inférence#

• Inférence par tuiles avec SAHI : guide complet pour exploiter les capacités d’inférence par découpage de SAHI avec YOLO26 afin de détecter des objets dans des images haute résolution.
• Modes latence et débit d’OpenVINO : découvre les techniques d’optimisation de la latence et du débit pour obtenir des performances d’inférence YOLO optimales.
• Prétraitement sur GPU avec NVIDIA DALI : élimine les goulots d’étranglement du prétraitement sur CPU en exécutant le redimensionnement letterbox, le remplissage et la normalisation de YOLO sur le GPU avec NVIDIA DALI, intégré à Triton Inference Server.
• Isoler les objets segmentés : recette détaillée et explications sur la manière d’extraire et/ou d’isoler des objets dans des images avec Ultralytics Segmentation.
• Afficher des images d’inférence dans un terminal : utilise le terminal intégré de VSCode pour afficher les résultats d’inférence lors de sessions Remote Tunnel ou 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#

Les contributions de la communauté sont les bienvenues ! Si tu maîtrises un aspect particulier d’Ultralytics YOLO qui n’est pas encore abordé dans nos guides, nous t’encourageons à partager ton expertise. Rédiger un guide est un excellent moyen de contribuer à la communauté et de nous aider à rendre notre documentation plus complète et conviviale.

Pour commencer, lis notre guide de contribution afin de connaître les instructions pour ouvrir une Pull Request (PR). Lorsque tu ajoutes un guide, place-le dans la catégorie ci-dessus correspondant à l’étape de son projet et limite-le à un seul type de page — un tutoriel pas à pas, un guide pratique axé sur une tâche ou une référence — afin que la collection reste facile à parcourir à mesure qu’elle s’étoffe. Nous avons hâte de découvrir tes contributions.

FAQ#