Skip to content

Ultralytics iOS App : Détection d'objets en temps réel avec les modèles YOLO

Ultralytics Image de prévisualisation du HUB

L'application Ultralytics iOS est un outil puissant qui vous permet d'exécuter les modèles YOLO directement sur votre iPhone ou iPad pour la détection d'objets en temps réel. Cette application utilise le moteur neuronal d'Apple et Core ML pour l'optimisation et l'accélération des modèles, ce qui permet une détection rapide et efficace des objets.



Regarder : DĂ©marrer avec l'application Ultralytics HUB (IOS & Android)

Quantification et accélération

Pour obtenir des performances en temps réel sur votre appareil iOS , les modèles YOLO sont quantifiés avec une précision FP16 ou INT8. La quantification est un processus qui réduit la précision numérique du modèle weights and biases, réduisant ainsi la taille du modèle et la quantité de calcul nécessaire. Il en résulte des temps d'inférence plus rapides sans que la précision du modèle ne soit affectée de manière significative.

Quantification FP16

La quantification FP16 (ou demi-précision) convertit les nombres à virgule flottante de 32 bits du modèle en nombres à virgule flottante de 16 bits. Cela permet de réduire de moitié la taille du modèle et d'accélérer le processus d'inférence, tout en maintenant un bon équilibre entre précision et performance.

INT8 Quantification

La quantification INT8 (ou entier 8 bits) réduit encore la taille du modèle et les besoins de calcul en convertissant ses nombres à virgule flottante de 32 bits en entiers de 8 bits. Cette méthode de quantification peut entraîner une accélération significative, mais elle peut conduire à une légère réduction de la précision.

Moteur neuronal Apple

L'Apple Neural Engine (ANE) est un composant matériel dédié intégré aux puces Apple des séries A et M. Il est conçu pour accélérer les tâches d'apprentissage automatique, en particulier pour les réseaux neuronaux, ce qui permet une exécution plus rapide et plus efficace de vos modèles. Il est conçu pour accélérer les tâches d'apprentissage automatique, en particulier pour les réseaux neuronaux, ce qui permet une exécution plus rapide et plus efficace de vos modèles YOLO .

En combinant les modèles quantifiés de YOLO avec le moteur neuronal d'Apple, l'applicationiOS Ultralytics permet la détection d'objets en temps réel sur votre appareil iOS sans compromis sur la précision ou les performances.

Année de sortie Nom de l'iPhone Nom du chipset Taille du nœud ANE TOPs
2017 iPhone X A11 Bionic 10 nm 0.6
2018 iPhone XS A12 Bionic 7 nm 5
2019 iPhone 11 A13 Bionic 7 nm 6
2020 iPhone 12 A14 Bionic 5 nm 11
2021 iPhone 13 A15 Bionic 5 nm 15.8
2022 iPhone 14 A16 Bionic 4 nm 17.0

Veuillez noter que cette liste ne comprend que les modèles d'iPhone à partir de 2017, et que les valeurs ANE TOPs sont approximatives.

Premiers pas avec l'application Ultralytics iOS

Pour commencer Ă  utiliser l'application Ultralytics iOS , suivez les Ă©tapes suivantes :

  1. Téléchargez l'application Ultralytics sur l'App Store.

  2. Lancez l'application sur votre appareil iOS et connectez-vous avec votre compte Ultralytics . Si vous n'avez pas encore de compte, créez-en un ici.

  3. Une fois connecté, vous verrez une liste de vos modèles YOLO formés. Sélectionnez un modèle à utiliser pour la détection d'objets.

  4. Autorisez l'application à accéder à l'appareil photo de votre appareil.

  5. Pointez l'appareil photo de votre appareil sur les objets que vous souhaitez détecter. L'application affiche en temps réel les boîtes de délimitation et les étiquettes de classe au fur et à mesure qu'elle détecte les objets.

  6. Explorez les paramètres de l'application pour ajuster le seuil de détection, activer ou désactiver des classes d'objets spécifiques, etc.

Avec l'application Ultralytics iOS , vous pouvez désormais exploiter la puissance des modèles YOLO pour la détection d'objets en temps réel sur votre iPhone ou votre iPad, grâce au moteur neuronal d'Apple et à la quantification optimisée FP16 ou INT8.

📅C réé il y a 1 an ✏️ Mis à jour il y a 2 mois

Commentaires