Ultralytics YOLO27 :
Get Started

Foire aux questions (FAQ) sur Ultralytics YOLO#

Cette section FAQ répond aux questions courantes et aux problèmes que les utilisateurs peuvent rencontrer lorsqu’ils travaillent avec les dépôts Ultralytics YOLO.

FAQ#

  • Ultralytics est une entreprise d’IA spécialisée en vision par ordinateur, qui développe des modèles de détection d’objets et de segmentation d’images de pointe, en mettant l’accent sur la famille YOLO (You Only Look Once). Ses offres comprennent :

    • Des implémentations open source de YOLO26 (la dernière version) et de YOLO11 (la génération précédente)
    • Un large éventail de modèles préentraînés pour diverses tâches de vision par ordinateur
    • Un package Python complet pour intégrer facilement les modèles YOLO à tes projets
    • Des outils polyvalents pour entraîner, tester et déployer des modèles
    • Une documentation complète et une communauté solidaire

  • Non. YOLO27 est en phase finale de recherche et développement en vue d’un lancement prévu plus tard cette année, sans date fixée. La documentation présente un aperçu de ses fonctionnalités, des résultats préliminaires et des exemples d’utilisation après sa sortie. Continue d’utiliser YOLO26 pour tes projets actuels.

  • L’installation du package Ultralytics est simple avec pip :

    pip install ultralytics

    Pour installer la dernière version de développement, installe-la 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.

  • Configuration minimale requise :

    • 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 ou plus
    • 50 Go d’espace disque libre ou plus (pour stocker les jeux de données et entraîner les modèles)

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

  • 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 fichier YAML pour un jeu de données).

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

      from ultralytics import YOLO

# Charger un modèle
model = YOLO("yolo26n.yaml")  # créer un nouveau modèle à partir de zéro
model = YOLO("yolo26n.pt")  # charger un modèle préentraîné (recommandé pour l’entraînement)

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

    Pour un guide plus détaillé, qui couvre la préparation des données et les options d’entraînement avancées, consulte le guide d’entraînement complet.

  • Ultralytics propose une gamme variée de modèles préentraînés pour différentes tâches :

    • Détection d’objets : YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
    • Segmentation d’instances : YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
    • Segmentation sémantique : YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
    • Estimation de profondeur : YOLO26n-depth, YOLO26s-depth, YOLO26m-depth, YOLO26l-depth, YOLO26x-depth
    • 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 et offrent différents compromis entre vitesse et précision. Explore la gamme complète de modèles préentraînés pour trouver celui qui convient le mieux à ton projet.

  • Pour effectuer une inférence avec un modèle entraîné :

    from ultralytics import YOLO

# Charger un modèle
model = YOLO("path/to/your/model.pt")

# Effectuer l’inférence
results = model("path/to/image.jpg")

# Traiter les résultats
for r in results:
    print(r.boxes)  # afficher les prédictions bbox
    print(r.masks)  # afficher les prédictions de masques
    print(r.probs)  # afficher les probabilités de classe

    Pour découvrir les options d’inférence avancées, notamment le traitement par lots et l’inférence vidéo, consulte le guide de prédiction détaillé.

  • Absolument ! Les modèles Ultralytics sont conçus pour être déployés sur diverses plateformes :

    • Appareils en périphérie : optimise l’inférence sur des appareils comme NVIDIA Jetson ou Raspberry Pi avec TensorRT, ONNX ou OpenVINO.
    • Mobile : déploie les modèles sur des appareils Android ou iOS en les convertissant au format LiteRT ou CoreML.
    • Cloud : utilise des frameworks comme TensorFlow Serving ou TorchServe pour des déploiements cloud évolutifs.
    • Web : implémente l’inférence dans le navigateur avec ONNX Runtime Web.

    Ultralytics fournit des fonctions d’exportation pour convertir les modèles en différents formats afin de les déployer. Explore les nombreuses options de déploiement pour trouver la solution la mieux adaptée à ton cas d’usage.

  • Les principales différences sont les suivantes :

    • Inférence de bout en bout sans NMS : YOLO26 propose une inférence sans NMS avec nms=False. Son chemin par défaut one-to-many utilise NMS pour garantir la précision.
    • Suppression de DFL : YOLO26 supprime le module Distribution Focal Loss, ce qui simplifie l’exportation et améliore la compatibilité avec les appareils périphériques et basse consommation.
    • Optimiseur MuSGD : un hybride de SGD et de Muon (inspiré de Kimi K2 de Moonshot AI) qui stabilise l’entraînement et accélère la convergence.
    • Performances sur CPU : YOLO26n s’exécute jusqu’à 43 % plus rapidement que YOLO11n lors de l’inférence ONNX sur CPU (Intel Xeon CPU @ 2.00 GHz), ce qui en fait une solution idéale pour les appareils sans GPU.
    • Optimisations propres aux tâches : segmentation améliorée grâce à une perte sémantique et à des protos multi-échelles, RLE pour l’estimation précise de la pose et décodage OBB amélioré avec une perte angulaire.
    • Tâches : les deux modèles prennent en charge la détection d’objets et la segmentation d’instances, tandis que YOLO26 ajoute également la segmentation sémantique pour la prédiction dense au niveau des pixels et l’estimation de profondeur monoculaire pour la profondeur de chaque pixel. Les deux modèles prennent également en charge la classification, l’estimation de pose et la détection d’objets orientés (OBB) dans un cadre unifié.

    Pour une comparaison détaillée des fonctionnalités et des métriques de performance, consulte la page de documentation YOLO26.

  • Contribuer à Ultralytics est un excellent moyen d’améliorer le projet et de développer tes compétences. Voici comment participer :

    1. Forke le dépôt Ultralytics sur GitHub.
    2. Crée une branche pour ta fonctionnalité ou ta correction de bogue.
    3. Effectue tes modifications et vérifie que tous les tests réussissent.
    4. Soumets une pull request accompagnée d’une description claire de tes modifications.
    5. Participe au processus de revue de code.

    Tu peux également contribuer en signalant des bogues, en suggérant des fonctionnalités ou en améliorant la documentation. Pour consulter les consignes détaillées et les bonnes pratiques, reporte-toi au guide de contribution.

  • Ultralytics YOLO propose un riche ensemble de fonctionnalités pour les tâches avancées de vision par ordinateur :

    • Détection en temps réel : détecte et classe efficacement les objets dans des scénarios en temps réel.
    • Capacités multitâches : effectue la détection d’objets, la segmentation d’instances, la segmentation sémantique, l’estimation de profondeur monoculaire, la classification, l’estimation de pose et la détection d’objets orientés (OBB) dans un cadre unifié.
    • Modèles préentraînés : accède à un éventail de modèles préentraînés qui offrent un équilibre entre vitesse et précision pour différents cas d’usage.
    • Entraînement personnalisé : affine facilement les modèles sur des jeux de données personnalisés grâce au pipeline d’entraînement flexible.
    • Nombreuses options de déploiement : exporte les modèles dans différents formats, tels que TensorRT, ONNX et CoreML, pour les déployer sur diverses plateformes.
    • Documentation complète : profite d’une documentation exhaustive et d’une communauté solidaire pour tes flux de travail en vision par ordinateur.

  • Tu peux améliorer les performances de ton modèle YOLO grâce à plusieurs techniques :

    1. Réglage des hyperparamètres : teste différents hyperparamètres à l’aide du guide de réglage des hyperparamètres pour optimiser les performances du modèle.
    2. Augmentation des données : utilise des techniques telles que le retournement, le changement d’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 : exploite des modèles préentraînés et affine-les sur ton jeu de données spécifique à l’aide du guide d’entraînement.
    4. Exporter vers des formats efficaces : convertis ton modèle en formats optimisés tels que TensorRT ou ONNX pour accélérer l’inférence, en suivant le guide d’exportation.
    5. Évaluation comparative : utilise le mode Benchmark pour mesurer et améliorer systématiquement la vitesse et la précision de l’inférence.

  • Ultralytics propose de nombreuses ressources pour t’aider à démarrer et à maîtriser ses outils :

    • 📚 Documentation officielle : guides complets, références API et bonnes pratiques.
    • 💻 Dépôt GitHub : code source, scripts d’exemple et contributions de la communauté.
    • ✍️ Blog Ultralytics : articles approfondis, cas d’usage et analyses techniques.
    • 💬 Forums communautaires : échange avec d’autres utilisateurs, pose des questions et partage tes expériences.
    • 🎥 Chaîne YouTube : tutoriels vidéo, démonstrations et webinaires sur différents sujets liés à Ultralytics.

    Ces ressources proposent des exemples de code, des cas d’usage réels et des guides détaillés pour diverses tâches faisant appel aux modèles Ultralytics.

    Si tu as besoin d’aide supplémentaire, consulte la documentation Ultralytics ou contacte la communauté sur GitHub Issues ou le forum de discussion officiel.

Contributeurs
GLglenn-jocher19RAraimbekovm3PDpderrenger2LALaughing-q2BOBovey08091AMambitious-octopus1SEsergiuwaxmann1RIRizwanMunawar1

Commentaires