Meet YOLO26: next-gen vision AI.

Link to this sectionFoire aux questions (FAQ) sur Ultralytics YOLO#

Cette section FAQ répond aux questions et problèmes courants que tu pourrais rencontrer en travaillant avec les dépôts Ultralytics YOLO.

Link to this sectionFAQ#

Link to this sectionQu'est-ce qu'Ultralytics et que propose l'entreprise ?#

Ultralytics est une entreprise d'IA spécialisée en vision par ordinateur qui se concentre sur des modèles de détection d'objets et de segmentation d'image de pointe, en mettant l'accent sur la famille YOLO (You Only Look Once). Ses offres incluent :

  • Implémentations open source de YOLO26 (la plus récente) et YOLO11 (génération précédente)
  • Une large gamme de modèles pré-entraînés pour diverses tâches de vision par ordinateur
  • Un package Python complet pour une intégration transparente des modèles YOLO dans tes projets
  • Outils polyvalents pour entraîner, tester et déployer des modèles
  • Documentation complète et une communauté solidaire

Link to this sectionComment installer le package Ultralytics ?#

L'installation du package Ultralytics est simple grâce à pip :

pip install ultralytics

Pour la dernière version de développement, installe-le directement depuis le dépôt GitHub :

pip install git+https://github.com/ultralytics/ultralytics.git

Tu trouveras des instructions d'installation détaillées dans le guide de démarrage rapide.

Link to this sectionQuelles sont les configurations système requises pour exécuter les modèles Ultralytics ?#

Configurations minimales requises :

  • Python 3.8+
  • PyTorch 1.8+
  • GPU compatible CUDA (pour l'accélération GPU)

Configuration recommandée :

  • Python 3.8+
  • PyTorch 1.10+
  • GPU NVIDIA avec CUDA 11.2+
  • 8 Go+ de RAM
  • 50 Go+ d'espace disque libre (pour le stockage des jeux de données et l'entraînement des modèles)

Pour résoudre les problèmes courants, consulte la page Problèmes courants YOLO.

Link to this sectionComment entraîner un modèle YOLO personnalisé sur mon propre jeu de données ?#

Pour entraîner un modèle YOLO personnalisé :

  1. Prépare ton jeu de données au format YOLO (images et fichiers txt d'étiquettes correspondants).

  2. Crée un fichier YAML décrivant la structure et les classes de ton jeu de données (voir l'exemple de YAML de jeu de données).

  3. Utilise le code Python suivant pour démarrer l'entraînement :

    from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from scratch
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

Pour un guide plus approfondi, incluant la préparation des données et des options d'entraînement avancées, réfère-toi au guide d'entraînement complet.

Link to this sectionQuels modèles pré-entraînés sont disponibles dans Ultralytics ?#

Ultralytics propose une gamme variée de modèles pré-entraînés pour diverses tâches :

  • Détection d'objets : YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
  • Segmentation d'instance : YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
  • Segmentation sémantique : YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
  • Classification : YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
  • Estimation de pose : YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
  • Détection orientée (OBB) : YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

Ces modèles varient en taille et en complexité, offrant différents compromis entre vitesse et précision. Explore la gamme complète des modèles pré-entraînés pour trouver celui qui convient le mieux à ton projet.

Link to this sectionComment effectuer une inférence en utilisant un modèle Ultralytics entraîné ?#

Pour effectuer une inférence avec un modèle entraîné :

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/your/model.pt")

# Perform inference
results = model("path/to/image.jpg")

# Process results
for r in results:
    print(r.boxes)  # print bbox predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Pour des options d'inférence avancées, incluant le traitement par lots et l'inférence vidéo, consulte le guide de prédiction détaillé.

Link to this sectionLes modèles Ultralytics peuvent-ils être déployés sur des appareils en périphérie (edge devices) ou dans des environnements de production ?#

Absolument ! Les modèles Ultralytics sont conçus pour un déploiement polyvalent sur diverses plateformes :

  • Appareils en périphérie : Optimise l'inférence sur des appareils tels que NVIDIA Jetson ou Intel Neural Compute Stick en utilisant TensorRT, ONNX ou OpenVINO.
  • Mobile : Déploie sur des appareils Android ou iOS en convertissant les modèles en TFLite ou CoreML.
  • Cloud : Exploite des frameworks comme TensorFlow Serving ou PyTorch Serve pour des déploiements cloud évolutifs.
  • Web : Implémente l'inférence dans le navigateur en utilisant ONNX.js ou TensorFlow.js.

Ultralytics fournit des fonctions d'exportation pour convertir les modèles vers divers formats pour le déploiement. Explore le large éventail d'options de déploiement pour trouver la meilleure solution pour ton cas d'utilisation.

Link to this sectionQuelle est la différence entre YOLO11 et YOLO26 ?#

Les distinctions clés incluent :

  • Inférence de bout en bout sans NMS : YOLO26 est nativement de bout en bout, produisant des prédictions directement sans non-maximum suppression (NMS), ce qui réduit la latence et simplifie le déploiement.
  • Suppression de DFL : YOLO26 supprime le module Distribution Focal Loss, simplifiant l'exportation et améliorant la compatibilité avec les appareils en périphérie et à faible consommation.
  • Optimiseur MuSGD : Un hybride de SGD et Muon (inspiré par Kimi K2 de Moonshot AI) pour un entraînement plus stable et une convergence plus rapide.
  • Performance CPU : YOLO26 offre une inférence CPU jusqu'à 43 % plus rapide, ce qui le rend idéal pour les appareils sans GPU.
  • Optimisations spécifiques aux tâches : Segmentation améliorée avec perte sémantique et protos multi-échelle, RLE pour une estimation de pose de précision, et décodage OBB amélioré avec perte d'angle.
  • Tâches : Les deux modèles prennent en charge la détection d'objets et la segmentation d'instance, tandis que YOLO26 ajoute également la segmentation sémantique pour une prédiction dense au niveau des pixels. Les deux modèles prennent aussi en charge la classification, l'estimation de pose et la détection d'objets orientés (OBB) dans un cadre unifié.

Pour une comparaison approfondie des fonctionnalités et des mesures de performance, visite la page de documentation de YOLO26.

Link to this sectionComment puis-je contribuer au projet open-source Ultralytics ?#

Contribuer à Ultralytics est un excellent moyen d'améliorer le projet et de développer tes compétences. Voici comment tu peux t'impliquer :

  1. Fork le dépôt Ultralytics sur GitHub.
  2. Crée une nouvelle branche pour ta fonctionnalité ou ton correctif de bug.
  3. Apporte tes modifications et assure-toi que tous les tests passent.
  4. Soumets une pull request avec une description claire de tes modifications.
  5. Participe au processus de revue de code.

Tu peux aussi contribuer en signalant des bugs, en suggérant des fonctionnalités ou en améliorant la documentation. Pour des directives détaillées et les meilleures pratiques, consulte le guide de contribution.

Link to this sectionComment installer le package Ultralytics en Python ?#

Installer le package Ultralytics en Python est simple. Utilise pip en exécutant la commande suivante dans ton terminal ou ton invite de commande :

pip install ultralytics

Pour la version de développement à la pointe, installe directement depuis le dépôt GitHub :

pip install git+https://github.com/ultralytics/ultralytics.git

Pour des instructions d'installation spécifiques à ton environnement et des conseils de dépannage, consulte le guide de démarrage rapide complet.

Link to this sectionQuelles sont les principales fonctionnalités d'Ultralytics YOLO ?#

Ultralytics YOLO bénéficie d'un riche ensemble de fonctionnalités pour des tâches avancées de vision par ordinateur :

  • Détection en temps réel : Détecte et classifie efficacement les objets dans des scénarios en temps réel.
  • Capacités multi-tâches : Effectue la détection d'objets, la segmentation d'instance, la segmentation sémantique, la classification, l'estimation de pose et la détection d'objets orientés (OBB) avec un cadre unifié.
  • Modèles pré-entraînés : Accède à une variété de modèles pré-entraînés qui équilibrent vitesse et précision pour différents cas d'utilisation.
  • Entraînement personnalisé : Ajuste facilement tes modèles sur des jeux de données personnalisés avec le pipeline d'entraînement flexible.
  • Large éventail d'options de déploiement : Exporte tes modèles vers divers formats comme TensorRT, ONNX et CoreML pour un déploiement sur différentes plateformes.
  • Documentation étendue : Bénéficie d'une documentation complète et d'une communauté solidaire pour tes flux de travail en vision par ordinateur.

Link to this sectionComment puis-je améliorer la performance de mon modèle YOLO ?#

Améliorer la performance de ton modèle YOLO peut être réalisé grâce à plusieurs techniques :

  1. Réglage des hyperparamètres : Expérimente différents hyperparamètres en utilisant le Guide de réglage des hyperparamètres pour optimiser les performances du modèle.
  2. Augmentation de données : Implémente des techniques comme le retournement, la mise à l'échelle, la rotation et les ajustements de couleur pour enrichir ton jeu de données d'entraînement et améliorer la généralisation du modèle.
  3. Apprentissage par transfert : Tire parti des modèles pré-entraînés et ajuste-les sur ton jeu de données spécifique en utilisant le guide d'entraînement.
  4. Exportation vers des formats efficaces : Convertis ton modèle en formats optimisés comme TensorRT ou ONNX pour une inférence plus rapide en utilisant le guide d'exportation.
  5. Benchmarking : Utilise le Mode Benchmark pour mesurer et améliorer systématiquement la vitesse et la précision de l'inférence.

Link to this sectionPuis-je déployer des modèles Ultralytics YOLO sur des appareils mobiles et en périphérie ?#

Oui, les modèles Ultralytics YOLO sont conçus pour un déploiement polyvalent, y compris sur des appareils mobiles et en périphérie :

  • Mobile : Convertis tes modèles en TFLite ou CoreML pour une intégration transparente dans les applications Android ou iOS. Réfère-toi au Guide d'intégration TFLite et au Guide d'intégration CoreML pour des instructions spécifiques à chaque plateforme.
  • Périphériques Edge : Optimise l'inférence sur des appareils comme NVIDIA Jetson ou tout autre matériel edge utilisant TensorRT ou ONNX. Le Guide d'intégration Edge TPU fournit des étapes détaillées pour le déploiement en périphérie.

Pour une vue d'ensemble complète des stratégies de déploiement sur diverses plateformes, consulte le guide des options de déploiement.

Link to this sectionComment puis-je effectuer une inférence en utilisant un modèle Ultralytics YOLO entraîné ?#

Effectuer une inférence avec un modèle Ultralytics YOLO entraîné est simple :

  1. Charger le modèle :

    from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")

  2. Exécuter l'inférence :

    results = model("path/to/image.jpg")

for r in results:
    print(r.boxes)  # print bounding box predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

Pour des techniques d'inférence avancées, incluant le traitement par lots, l'inférence vidéo et le prétraitement personnalisé, réfère-toi au guide de prédiction détaillé.

Link to this sectionOù puis-je trouver des exemples et des tutoriels pour utiliser Ultralytics ?#

Ultralytics fournit une mine de ressources pour t'aider à démarrer et à maîtriser ses outils :

  • 📚 Documentation officielle : Guides complets, références d'API et meilleures pratiques.
  • 💻 Dépôt GitHub : Code source, scripts d'exemple et contributions de la communauté.
  • ✍️ Blog Ultralytics : Articles approfondis, cas d'utilisation et aperçus techniques.
  • 💬 Forums de la communauté : Entre en contact avec d'autres utilisateurs, pose tes questions et partage tes expériences.
  • 🎥 Chaîne YouTube : Tutoriels vidéo, démos et webinaires sur divers sujets Ultralytics.

Ces ressources fournissent des exemples de code, des cas d'utilisation concrets et des guides étape par étape pour diverses tâches utilisant les modèles Ultralytics.

Si tu as besoin d'une assistance supplémentaire, consulte la documentation d'Ultralytics ou contacte la communauté via les GitHub Issues ou le forum de discussion officiel.

Contributeurs
GLglenn-jocher14RAraimbekovm2LALaughing-q2SEsergiuwaxmann1PDpderrenger1RIRizwanMunawar1

Commentaires