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

Q: Quelles sont les configurations système requises pour exécuter les modèles Ultralytics ?

Exigences minimales : - 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 datasets et l'entraînement des modèles) Pour résoudre les problèmes courants, visite la page YOLO Common Issues.

Q: Comment entraîner un modèle YOLO personnalisé sur mon propre dataset ?

Pour entraîner un modèle YOLO personnalisé : 1. Prépare ton dataset au YOLO format (images et fichiers texte d'étiquettes correspondants). 2. Crée un fichier YAML décrivant la structure de ton dataset et tes classes (voir dataset YAML example). 3. Utilise le code Python suivant pour lancer l'entraînement : Pour un guide plus approfondi, incluant la préparation des données et les options d'entraînement avancées, réfère-toi au training guide complet.

Q: Quelle est la différence entre YOLO11 et YOLO26 ?

Les principales distinctions sont : - End-to-End NMS-Free Inference : YOLO26 est nativement de bout en bout, produisant des prédictions directement sans non-maximum suppression (NMS), réduisant la latence et simplifiant le déploiement. - Suppression de DFL : YOLO26 supprime le module Distribution Focal Loss, simplifiant l'exportation et améliorant la compatibilité avec les appareils de bord et à faible consommation. - Optimiseur MuSGD : Un hybride de SGD et Muon (inspiré par le Kimi K2 de Moonshot AI) pour un entraînement plus stable et une convergence plus rapide. - Performances 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 précise, et décodage OBB amélioré avec perte d'angle. - Tâches : Les deux modèles prennent en charge l'object detection et l'instance segmentation, tandis que YOLO26 ajoute également la semantic segmentation pour une prédiction dense au niveau des pixels. Les deux modèles prennent également en charge la classification, l'estimation de pose et la détection d'objets orientés (OBB) dans un framework unifié. Pour une comparaison approfondie des fonctionnalités et des métriques de performance, visite la YOLO26 documentation page.

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

Link to this sectionFAQ#

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

Ultralytics est une entreprise d'IA spécialisée dans la computer vision, dédiée aux modèles de pointe en détection d'objets et en image segmentation, avec une spécialisation dans la famille YOLO (You Only Look Once). Ses offres comprennent :

Des implémentations open source de YOLO26 (dernière version) et de YOLO11 (génération précédente)
Une large gamme de pretrained models pour diverses tâches de computer vision
Un Python package complet pour une intégration fluide des modèles YOLO dans tes projets
Des tools polyvalents pour entraîner, tester et déployer des modèles
Une Extensive documentation et une communauté prête à t'aider

Link to this sectionComment installer le package Ultralytics ?#

L'installation du package Ultralytics est simple via pip :

pip install ultralytics

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

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

Tu trouveras des instructions d'installation détaillées dans le quickstart guide.

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

Exigences minimales :

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 datasets et l'entraînement des modèles)

Pour résoudre les problèmes courants, visite la page YOLO Common Issues.

Link to this sectionComment entraîner un modèle YOLO personnalisé sur mon propre dataset ?#

Pour entraîner un modèle YOLO personnalisé :

Prépare ton dataset au YOLO format (images et fichiers texte d'étiquettes correspondants).
Crée un fichier YAML décrivant la structure de ton dataset et tes classes (voir dataset YAML example).

Utilise le code Python suivant pour lancer 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 les options d'entraînement avancées, réfère-toi au training guide complet.

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

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

Object Detection : YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
Instance Segmentation : YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
Semantic Segmentation : YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
Classification : YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
Pose Estimation : YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
Oriented Detection (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 accuracy. Explore la gamme complète de pretrained models pour trouver celui qui correspond 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 prediction guide détaillé.

Link to this sectionLes modèles Ultralytics peuvent-ils être déployés sur des périphériques de bord ou dans des environnements de production ?#

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

Edge devices : Optimise l'inférence sur des appareils comme 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 Core ML.
Cloud : Utilise 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 en différents formats pour le déploiement. Explore la large gamme de deployment options pour trouver la meilleure solution pour ton cas d'utilisation.

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

Les principales distinctions sont :

End-to-End NMS-Free Inference : YOLO26 est nativement de bout en bout, produisant des prédictions directement sans non-maximum suppression (NMS), réduisant la latence et simplifiant le déploiement.
Suppression de DFL : YOLO26 supprime le module Distribution Focal Loss, simplifiant l'exportation et améliorant la compatibilité avec les appareils de bord et à faible consommation.
Optimiseur MuSGD : Un hybride de SGD et Muon (inspiré par le Kimi K2 de Moonshot AI) pour un entraînement plus stable et une convergence plus rapide.
Performances 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 précise, et décodage OBB amélioré avec perte d'angle.
Tâches : Les deux modèles prennent en charge l'object detection et l'instance segmentation, tandis que YOLO26 ajoute également la semantic segmentation pour une prédiction dense au niveau des pixels. Les deux modèles prennent également en charge la classification, l'estimation de pose et la détection d'objets orientés (OBB) dans un framework unifié.

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

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 :

Fork le dépôt Ultralytics sur GitHub.
Crée une nouvelle branche pour ta fonctionnalité ou ta correction de bug.
Effectue tes changements et assure-toi que tous les tests passent.
Soumets une pull request avec une description claire de tes modifications.
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, réfère-toi au contributing guide.

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

L'installation du 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 de pointe, installe directement depuis le dépôt GitHub :

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

Pour des instructions d'installation spécifiques à l'environnement et des conseils de dépannage, consulte le quickstart guide complet.

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

Ultralytics YOLO bénéficie d'un ensemble riche de fonctionnalités pour les tâches avancées de computer vision :

Real-Time Detection : Détecte et classifie efficacement les objets en temps réel.
Capacités multi-tâches : Effectue l'object detection, l'instance segmentation, la semantic segmentation, la classification, l'estimation de pose et la détection d'objets orientés (OBB) avec un framework unifié.
Modèles pré-entraînés : Accède à une variété de pretrained models qui équilibrent vitesse et précision pour différents cas d'utilisation.
Entraînement personnalisé : Ajuste facilement tes modèles sur tes propres datasets grâce au training pipeline flexible.
Larges Deployment Options : 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 de computer vision.

Link to this sectionComment puis-je améliorer les performances de mon modèle YOLO ?#

L'amélioration des performances de ton modèle YOLO peut être obtenue par plusieurs techniques :

Hyperparameter Tuning : Expérimente différents hyperparamètres en utilisant le Hyperparameter Tuning Guide pour optimiser les performances de ton modèle.
Data Augmentation : Implémente des techniques comme le retournement, la mise à l'échelle, la rotation et les ajustements de couleur pour enrichir ton dataset d'entraînement et améliorer la généralisation du modèle.
Transfer Learning : Tire parti des modèles pré-entraînés et ajuste-les sur ton dataset spécifique en utilisant le Train guide.
Exportation vers des formats efficaces : Convertis ton modèle vers des formats optimisés comme TensorRT ou ONNX pour une inférence plus rapide en utilisant le Export guide.
Benchmarking : Utilise le Benchmark Mode pour mesurer et améliorer systématiquement la vitesse d'inférence et la précision.

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

Oui, les modèles Ultralytics YOLO sont conçus pour un déploiement polyvalent, y compris sur les appareils mobiles et de bord :

Mobile : Convertis tes modèles en TFLite ou CoreML pour une intégration fluide dans les applications Android ou iOS. Réfère-toi au TFLite Integration Guide et au CoreML Integration Guide pour des instructions spécifiques à la plateforme.
Edge Devices : Optimise l'inférence sur des appareils comme NVIDIA Jetson ou d'autres matériels de bord en utilisant TensorRT ou ONNX. Le Edge TPU Integration Guide fournit des étapes détaillées pour le déploiement en périphérie.

Pour un aperçu complet des stratégies de déploiement sur diverses plateformes, consulte le deployment options guide.

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 :

Charger le modèle :

from ultralytics import YOLO

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

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 prediction guide détaillé.

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

Ultralytics fournit une multitude de ressources pour t'aider à démarrer et à maîtriser leurs outils :

📚 Official documentation : Guides complets, références d'API et meilleures pratiques.
💻 GitHub repository : Code source, exemples de scripts et contributions de la communauté.
✍️ Ultralytics blog : Articles approfondis, cas d'utilisation et perspectives techniques.
💬 Forums de la communauté : échange avec d'autres utilisateurs, pose tes questions et partage tes expériences.
🎥 Chaîne YouTube : tutoriels vidéo, démos et webinaires sur divers sujets liés à Ultralytics.

Ces ressources proposent 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-jocher¹³ LALaughing-q² RAraimbekovm¹ SEsergiuwaxmann¹ PDpderrenger¹ RIRizwanMunawar¹

Créé 12 nov. 2023Mis à jour il y a 2 semaines