Link to this sectionTutoriels complets pour Ultralytics YOLO#

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

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

Link to this sectionGuides#

Les guides sont regroupés par étape de projet — de la configuration de l'environnement et la préparation des données jusqu'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.

Link to this sectionDémarrer & planifier#

• 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.
• 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.
• Démarrage rapide AzureML : Démarre rapidement 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.
• Modal Quickstart : Exécute Ultralytics YOLO26 sur la plateforme cloud serverless de Modal, en couvrant l'authentification, l'inférence GPU et les tâches d'entraînement avec un stockage persistant — aucune 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. Apprends l'importance d'un énoncé de problème bien défini et comment il crée une feuille de route pour ton projet.
• 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.
• Explication de l'architecture YOLO : Suis l'évolution de l'architecture YOLO de YOLOv3 à YOLO26 à travers le backbone, le neck et la tête de détection, en abordant la conception C2f, C3k2, l'attention C2PSA, ainsi que les modèles sans ancres et sans NMS.

Link to this sectionPrépare tes données#

• 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.
• Prétraitement des données annotées : Apprends le prétraitement des données pour la vision par ordinateur avec YOLO26, incluant le redimensionnement d'images, la normalisation, la séparation des jeux de données, l'augmentation de données et l'analyse exploratoire des données (EDA).
• Augmentation de données YOLO : Maîtrise la gamme complète de techniques d'augmentation de données dans YOLO, des transformations de base aux stratégies avancées pour améliorer la robustesse et les performances du modèle.
• 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, y compris le mappage d'ID de classe et les erreurs de conversion courantes.
• Entraînement avec JSON COCO : Entraîne YOLO directement sur des annotations JSON COCO sans conversion au format YOLO, en utilisant une classe de jeu de données et un entraîneur personnalisés.

Link to this sectionEntraîner & ajuster#

• Conseils pour l'entraînement de modèles : Explore des conseils sur l'optimisation des tailles de lots, l'utilisation de la précision mixte, l'application de poids pré-entraînés, et plus encore pour rendre l'entraînement de ton modèle de vision par ordinateur un jeu d'enfant.
• Fine-tuning de YOLO sur des données personnalisées : Guide complet pour le fine-tuning de YOLO26 sur des jeux de données personnalisés avec des poids pré-entraînés, couvrant l'apprentissage par transfert, le gel des couches, le choix de l'optimiseur, l'entraînement en deux étapes et le dépannage.
• Recette d'entraînement YOLO26 : Documentation complète des hyperparamètres, des pipelines d'augmentation et des paramètres d'optimiseur utilisés pour entraîner les points de contrôle de base officiels YOLO26 sur COCO, avec des conseils pratiques de fine-tuning.
• 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.
• Knowledge Distillation : apprends 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 : Apprends à améliorer la généralisation du modèle en utilisant la technique de validation croisée K-Fold.
• 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 du modèle, geler/dégeler le backbone et définir des taux d'apprentissage par couche.
• Guide de configuration YAML du modèle : Une plongée approfondie complète dans les définitions d'architecture de modèle d'Ultralytics. Explore le format YAML, comprends le système de résolution des modules et apprends à intégrer des modules personnalisés de manière transparente.

Link to this sectionÉvaluer & résoudre les problèmes#

• Métriques de performance YOLO ⭐ ESSENTIEL : Comprends les métriques clés comme mAP, IoU et score F1 utilisées 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.
• Perspectives sur l'évaluation et le réglage fin des modèles : Évalue tes modèles de vision par ordinateur avec des métriques comme mAP et IoU, puis ajuste les paramètres d'entraînement tels que le warmup du taux d'apprentissage pour améliorer la précision de détection.
• Model Testing : Apprends à tester tes modèles de vision par ordinateur sur des données inédites, à valider tes modèles YOLO26 et à détecter le surapprentissage, le sous-apprentissage et les fuites de données avant le déploiement.
• 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.
• Maintenance de ton modèle de vision par ordinateur : Comprends les pratiques clés pour surveiller, maintenir et documenter les modèles de vision par ordinateur pour garantir la précision, repérer les anomalies et atténuer la dérive des données.

Link to this sectionDéployer & servir#

• Options de déploiement de modèles : Vue d'ensemble des formats de déploiement de modèles YOLO comme ONNX, OpenVINO et TensorRT, avec les avantages et les inconvénients pour chacun afin d'orienter ta stratégie de déploiement.
• Meilleures pratiques pour le déploiement de modèles : Découvre 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.
• 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.
• 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.
• Intégration de Triton Inference Server : Plonge dans l'intégration d'Ultralytics YOLO26 avec le Triton Inference Server de NVIDIA pour des déploiements d'inférence d'apprentissage profond évolutifs et efficaces.
• Inférence thread-safe YOLO : Directives pour effectuer l'inférence avec des modèles YOLO de manière thread-safe. Apprends l'importance de la sécurité des threads et les meilleures pratiques pour prévenir les conditions de course et garantir des prédictions cohérentes.
• Démarrage rapide ROS : Apprends à intégrer YOLO avec le Robot Operating System (ROS) pour la détection d'objets en temps réel dans les applications de robotique, y compris les nuages de points et les 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 construction, la poussée, la mise à l'échelle automatique et la surveillance.

Link to this sectionOptimiser l'inférence#

• Inférence tuilée 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.
• Modes Latence vs Débit OpenVINO : Apprends les techniques d'optimisation de la latence et du débit pour des performances d'inférence YOLO maximales.
• Pré-traitement GPU avec NVIDIA DALI : Élimine les goulots d'étranglement du pré-traitement CPU en exécutant le redimensionnement letterbox, le remplissage et la normalisation YOLO sur le GPU en utilisant NVIDIA DALI, avec l'intégration de Triton Inference Server.
• Isoler des objets de segmentation : Recette et explication étape par étape sur la façon d'extraire et/ou d'isoler des objets à partir d'images en utilisant Ultralytics Segmentation.
• 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 sessions Remote Tunnel ou SSH.

Link to this sectionMatériel Edge & embarqué#

• NVIDIA Jetson : Guide de démarrage rapide pour déployer des modèles YOLO sur des appareils NVIDIA Jetson.
• Raspberry Pi : Tutoriel de démarrage rapide pour exécuter des modèles YOLO sur le matériel Raspberry Pi le plus récent.
• DeepStream sur NVIDIA Jetson : Guide de démarrage rapide pour déployer des modèles YOLO sur des appareils NVIDIA Jetson utilisant 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 des appareils NVIDIA DGX Spark.
• DL Streamer on Intel : Guide de démarrage rapide pour déployer des modèles YOLO26 sur des appareils Intel Core Ultra Series 3 en utilisant DL Streamer et OpenVINO™.

Link to this sectionContribue à nos guides#

Nous accueillons les contributions de la communauté ! Si tu as maîtrisé 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, lis notre Contributing Guide pour obtenir des directives sur la manière d'ouvrir une Pull Request (PR). Lors de l'ajout d'un nouveau guide, place-le sous la catégorie ci-dessus qui correspond à son étape de projet et limite-toi à un seul type de page — un tutoriel étape par étape, un guide pratique axé sur une tâche, ou une référence — afin que la collection reste facile à parcourir au fur et à mesure qu'elle s'agrandit. Nous attendons tes contributions avec impatience.

Link to this sectionFAQ#

Link to this sectionComment entraîner un modèle de détection d'objets personnalisé en utilisant Ultralytics YOLO ?#

Entraîner un modèle de détection d'objets personnalisé avec Ultralytics YOLO est simple. Commence par préparer ton jeu de données dans le bon format et 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 détaillé des données et des options supplémentaires, réfère-toi à notre guide Conseils pour l'entraînement de modèles.

Link to this sectionQuelles métriques de performance dois-je utiliser pour évaluer mon modèle YOLO ?#

Évaluer les performances de ton modèle YOLO est crucial 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 sur la façon d'améliorer ton modèle dans notre guide Métriques de performance YOLO.

Link to this sectionPourquoi utiliser la plateforme Ultralytics pour mes projets de vision par ordinateur ?#

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

Link to this sectionQuels sont les problèmes courants rencontrés lors de 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 incompatibilités d'architecture de modèle et une quantité insuffisante de données d'entraînement. Pour résoudre ces problèmes, assure-toi que ton jeu de données est correctement formaté, vérifie la compatibilité des versions du modèle et augmente tes données d'entraînement. Pour une liste complète de solutions, réfère-toi à notre guide Problèmes courants YOLO.

Link to this sectionComment puis-je déployer mon modèle YOLO pour la détection d'objets en temps réel sur des appareils de bord (edge) ?#

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