Tutoriels complets pour Ultralytics YOLO#

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

Que tu sois débutant ou expert en deep learning, nos tutoriels t'offrent des informations précieuses sur l'implémentation et l'optimisation de YOLO pour tes projets de computer vision.

Guides#

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.

Démarrer & planifier#

• Conda Quickstart : Guide étape par étape pour configurer un environnement Conda pour Ultralytics. Apprends à installer et à commencer à utiliser le paquet Ultralytics efficacement avec Conda.
• Docker Quickstart : Guide complet pour configurer et utiliser les modèles Ultralytics YOLO avec Docker. Apprends à installer Docker, à gérer le support GPU et à exécuter des modèles YOLO dans des conteneurs isolés pour un développement et un déploiement cohérents.
• AzureML Quickstart : Commence à utiliser les modèles Ultralytics YOLO sur la plateforme Machine Learning Azure de Microsoft. 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 abordant l'authentification, l'inférence GPU et les tâches d'entraînement avec un stockage persistant — aucune infrastructure à gérer.
• Defining A Computer Vision Project's Goals : 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 la façon dont il crée une feuille de route pour ton projet.
• Steps of a Computer Vision Project : Découvre les étapes clés impliquées dans un projet de vision par ordinateur, notamment la définition des objectifs, la sélection des modèles, la préparation des données et l'évaluation des résultats.
• YOLO Architecture Explained : Retrace l'évolution de l'architecture YOLO de YOLOv3 à YOLO26 à travers le backbone, le neck et la tête de détection, en couvrant le design C2f, C3k2, l'attention C2PSA, sans ancres (anchor-free) et sans NMS (NMS-free).

Prépare tes données#

• Data Collection and Annotation : Explore les outils, les techniques et les meilleures pratiques pour collecter et annoter des données afin de créer des entrées de haute qualité pour tes modèles de vision par ordinateur.
• Preprocessing Annotated Data : Apprends le prétraitement des données pour la vision par ordinateur avec YOLO26, incluant le redimensionnement d'images, la normalisation, la division de datasets, l'augmentation de données et l'analyse exploratoire des données (EDA).
• YOLO Data Augmentation : 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.
• COCO to YOLO Conversion : Guide complet pour convertir des annotations JSON COCO au format YOLO pour l'entraînement. Couvre la détection, la segmentation et les points clés (keypoints), y compris le mapping des ID de classe et les pièges de conversion courants.
• COCO JSON Training : Entraîne YOLO directement sur des annotations JSON COCO sans convertir au format YOLO, en utilisant une classe de dataset personnalisée et un entraîneur (trainer).

Entraîner & ajuster#

• Tips for Model Training : Explore des astuces pour optimiser les batch sizes, utiliser la mixed precision, appliquer des poids pré-entraînés et plus encore pour faire de l'entraînement de ton modèle de vision par ordinateur un jeu d'enfant.
• Fine-Tuning YOLO on Custom Data : Guide complet pour affiner (fine-tuner) YOLO26 sur des datasets personnalisés avec des poids pré-entraînés, couvrant l'apprentissage par transfert (transfer learning), le gel des couches (layer freezing), la sélection de l'optimiseur, l'entraînement en deux étapes et le dépannage.
• YOLO26 Training Recipe : Documentation complète des hyperparamètres, des pipelines d'augmentation et des paramètres d'optimiseur utilisés pour entraîner les points de contrôle (checkpoints) de base officiels de YOLO26 sur COCO, avec des conseils pratiques d'affinage.
• Hyperparameter Tuning : 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 à améliorer les performances du modèle en transférant les connaissances d'un modèle enseignant (teacher) plus grand vers un modèle étudiant (student) plus petit grâce à la distillation basée sur les caractéristiques.
• K-Fold Cross Validation : Apprends à améliorer la généralisation du modèle à l'aide de la technique de validation croisée K-Fold.
• Customizing Trainer : Apprends à sous-classer l'entraîneur YOLO pour enregistrer des métriques personnalisées, ajouter une perte pondérée par les classes, personnaliser la sauvegarde du modèle, geler/dégeler le backbone et définir des taux d'apprentissage par couche.
• Model YAML Configuration Guide : Une plongée en profondeur complète dans les définitions d'architecture de modèles d'Ultralytics. Explore le format YAML, comprends le système de résolution des modules et apprends à intégrer des modules personnalisés en toute transparence.

Évaluer & résoudre les problèmes#

• YOLO Performance Metrics ⭐ ESSENTIEL : Comprends les métriques clés telles que le mAP, l'IoU et le F1 score 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.
• Insights on Model Evaluation and Fine-Tuning : Évalue les modèles de vision par ordinateur avec des métriques telles que le mAP et l'IoU, puis affine les paramètres d'entraînement tels que l'échauffement du taux d'apprentissage (learning-rate warmup) pour améliorer la précision de détection.
• Model Testing : Apprends à tester des modèles de vision par ordinateur sur des données inédites, à valider des modèles YOLO26 et à détecter le surapprentissage (overfitting), le sous-apprentissage (underfitting) et la fuite de données (data leakage) avant le déploiement.
• YOLO Common Issues ⭐ RECOMMANDÉ : Solutions pratiques et conseils de dépannage pour les problèmes les plus fréquemment rencontrés lors de l'utilisation des modèles Ultralytics YOLO.
• Maintaining Your Computer Vision Model : Comprends les pratiques clés pour surveiller, maintenir et documenter les modèles de vision par ordinateur afin de garantir l'exactitude, de repérer les anomalies et d'atténuer la dérive des données (data drift).

Déployer & servir#

• Model Deployment Options : Aperçu des formats de model deployment de YOLO tels que ONNX, OpenVINO et TensorRT, avec les avantages et les inconvénients de chacun pour guider ta stratégie de déploiement.
• Best Practices for Model Deployment : Parux les conseils et les meilleures 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.
• Export Non-YOLO Models : 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.
• End-to-End Detection : Comprends la détection de bout en bout sans NMS de YOLO26, la compatibilité d'exportation, les changements de format de sortie et la façon de migrer depuis d'anciens modèles YOLO.
• Triton Inference Server Integration : Plonge dans l'intégration d'Ultralytics YOLO26 avec le serveur d'inférence Triton de NVIDIA pour des déploiements d'inférence de deep learning évolutifs et efficaces.
• YOLO Thread-Safe Inference : Directives pour effectuer des inférences avec des modèles YOLO de manière thread-safe. Apprends l'importance de la sécurité des threads et les meilleures pratiques pour éviter les conditions de course (race conditions) et garantir des prédictions cohérentes.
• ROS Quickstart : Apprends à intégrer YOLO au Robot Operating System (ROS) pour la détection d'objets en temps réel dans des applications de robotique, incluant les nuages de points (Point Cloud) et les images de profondeur (Depth).
• Vertex AI Deployment with Docker : Guide simplifié pour conteneuriser des modèles YOLO avec Docker et les déployer sur Vertex AI de Google Cloud — couvrant la construction, le push, la mise à l'échelle automatique (autoscaling) et la surveillance.

Optimiser l'inférence#

• SAHI Tiled Inference : Guide complet sur l'exploitation des capacités d'inférence par tranches de SAHI avec YOLO26 pour la détection d'objets dans des images haute résolution.
• OpenVINO Latency vs Throughput Modes : Apprends les techniques d'optimisation de la latence et du débit (throughput) pour des performances d'inférence YOLO maximales.
• NVIDIA DALI GPU Preprocessing : Élimine les goulots d'étranglement du prétraitement sur CPU en exécutant le redimensionnement letterbox, le padding et la normalisation de YOLO sur le GPU à l'aide de NVIDIA DALI, avec l'intégration du serveur d'inférence Triton.
• Isolating Segmentation Objects : 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.
• View Inference Images in a Terminal : Utilise le terminal intégré de VSCode pour afficher les résultats d'inférence lors de l'utilisation de sessions Remote Tunnel ou SSH.

Matériel 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 on NVIDIA Jetson : Guide de démarrage rapide pour déployer des modèles YOLO sur des appareils NVIDIA Jetson à l'aide de DeepStream et TensorRT.
• Edge TPU on 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 à l'aide de DL Streamer et OpenVINO™.

Contribue 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 connaître les directives sur la façon 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 stade de projet et limite-le 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 grandit. Nous attendons tes contributions avec impatience.

FAQ#