Commencer

Roboflow

Roboflow propose des outils d’étiquetage des données et d’exportation de jeux de données dans divers formats, dont YOLO. Ce guide couvre l’étiquetage et l’exportation des données, ainsi que le déploiement des modèles Ultralytics YOLO.

Licences

Ultralytics propose deux options de licence pour répondre à différents cas d’utilisation :

  • Licence AGPL-3.0 : cette licence open source approuvée par l’OSI est idéale pour les étudiants et les passionnés, car elle encourage la collaboration ouverte et le partage des connaissances. Consulte le fichier LICENSE pour en savoir plus.
  • Licence Entreprise : pour le développement et la production, cette licence permet d’intégrer les logiciels et les modèles d’IA Ultralytics dans des produits et services professionnels, notamment des outils internes, des flux de travail automatisés et des déploiements en production, sans être soumis aux exigences open source d’AGPL-3.0. Pour commencer, contacte-nous via Licences Ultralytics.

Pour en savoir plus, consulte la page des licences Ultralytics.

Ce guide explique comment trouver, annoter et organiser des données avec Roboflow pour entraîner un modèle Ultralytics YOLO26 personnalisé.

Collecter des données pour entraîner un modèle YOLO26 personnalisé#

Roboflow propose deux services principaux pour faciliter la collecte de données destinées aux modèles Ultralytics YOLO : Universe et Collect.

Roboflow Universe#

Roboflow Universe est un dépôt en ligne de jeux de données de vision par ordinateur. Tu peux exporter des jeux de données au format YOLO pour les utiliser avec les modèles Ultralytics.

Roboflow Collect#

Si tu préfères collecter toi-même les images, Roboflow Collect est un projet open source qui permet de collecter automatiquement des images à l’aide d’une webcam sur des appareils edge. Tu peux utiliser des invites textuelles ou des images pour préciser les données à collecter et ainsi ne capturer que les images nécessaires à ton modèle de vision.

Télécharger, convertir et annoter des données au format YOLO26#

Roboflow Annotate est un outil en ligne pour étiqueter des images destinées à diverses tâches de vision par ordinateur, notamment la détection d’objets, la classification et la segmentation.

Pour étiqueter des données destinées à un modèle Ultralytics YOLO, crée un projet dans Roboflow, téléverse tes images et commence l’annotation.

Outils d’annotation#

  • Annotation par boîtes englobantes : appuie sur B ou clique sur l’icône de boîte. Clique et fais glisser le curseur pour créer la boîte englobante. Une fenêtre contextuelle t’invitera à sélectionner une classe pour l’annotation.
  • Annotation par polygones : cette méthode sert à la segmentation d’instances. Appuie sur P ou clique sur l’icône de polygone. Clique sur des points autour de l’objet pour dessiner le polygone.

Assistant d’annotation (intégration de SAM)#

Roboflow intègre un assistant d’étiquetage basé sur un Segment Anything Model (SAM) pour accélérer l’annotation.

Pour utiliser l’assistant d’annotation, clique sur l’icône de curseur dans la barre latérale. SAM sera activé pour ton projet.

Passe le curseur sur un objet ; SAM peut proposer une annotation. Clique pour accepter l’annotation. Tu peux préciser l’annotation en cliquant à l’intérieur ou à l’extérieur de la zone suggérée.

Étiquetage#

Tu peux ajouter des étiquettes aux images à l’aide du panneau Tags dans la barre latérale. Les étiquettes peuvent représenter des attributs comme l’emplacement ou la source de la caméra. Elles te permettent de rechercher des images précises et de générer des versions de jeux de données contenant des images associées à certaines étiquettes.

Assistant d’annotation (basé sur un modèle)#

Tu peux utiliser les modèles hébergés sur Roboflow avec Label Assist pour suggérer des annotations. Télécharge les poids de ton modèle YOLO sur Roboflow (voir les instructions ci-dessous), puis active Label Assist en cliquant sur l’icône de baguette magique dans la barre latérale.

Gestion des jeux de données pour YOLO26#

Roboflow fournit plusieurs outils pour comprendre et gérer tes jeux de données de vision par ordinateur.

Utilise la recherche dans les jeux de données pour trouver des images à partir de descriptions textuelles ou d’étiquettes précises. Accède à cette fonctionnalité en cliquant sur « Dataset » dans la barre latérale.

Vérification de l’état#

Avant l’entraînement, utilise Roboflow Health Check pour mieux comprendre ton jeu de données et repérer les améliorations possibles. Accède à cet outil depuis le lien « Health Check » dans la barre latérale. Il fournit des statistiques sur la taille des images, l’équilibre des classes, les cartes thermiques des annotations et bien plus.

Roboflow Health Check analysis dashboard

Health Check peut suggérer des changements pour améliorer les performances, par exemple corriger les déséquilibres entre classes repérés par la fonctionnalité d’équilibre des classes. Comprendre l’état de ton jeu de données est essentiel pour entraîner efficacement un modèle.

Prétraiter et augmenter les données pour renforcer la robustesse du modèle#

Pour exporter tes données, tu dois créer une version du jeu de données, c’est-à-dire un instantané de celui-ci à un moment précis. Clique sur « Versions » dans la barre latérale, puis sur « Create New Version ». Tu peux alors appliquer des étapes de prétraitement et des augmentations de données afin d’améliorer éventuellement la robustesse du modèle.

Creating Roboflow dataset version with augmentation

Pour chaque augmentation sélectionnée, une fenêtre contextuelle te permet d’ajuster finement ses paramètres, comme la luminosité. Des augmentations adaptées peuvent considérablement améliorer la capacité de généralisation du modèle, un concept clé abordé dans notre guide de conseils sur l’entraînement des modèles.

Exporter les données dans plus de 40 formats pour l’entraînement des modèles#

Une fois la version de ton jeu de données générée, tu peux l’exporter dans différents formats adaptés à l’entraînement des modèles. Clique sur le bouton « Export Dataset » sur la page de la version.

Roboflow dataset export to YOLO format

Sélectionne le format « YOLO26 » pour assurer la compatibilité avec les pipelines d’entraînement Ultralytics. Tu es maintenant prêt à entraîner ton modèle YOLO26 personnalisé.

Télécharger les poids d’un modèle YOLO26 personnalisé pour le tester et le déployer#

Roboflow propose une API évolutive pour les modèles déployés et des SDK compatibles avec des appareils tels que NVIDIA Jetson, Luxonis OAK, Raspberry Pi et les systèmes équipés d’un GPU. Découvre différentes options de déploiement de modèles dans nos guides.

Tu peux déployer des modèles YOLO26 en téléchargeant leurs poids sur Roboflow à l’aide d’un simple script Python.

Crée un nouveau fichier Python et ajoute le code suivant :

import roboflow  # install with 'pip install roboflow'

# Log in to Roboflow (requires API key)
roboflow.login()

# Initialize Roboflow client
rf = roboflow.Roboflow()

# Define your workspace and project details
WORKSPACE_ID = "your-workspace-id"  # Replace with your actual Workspace ID
PROJECT_ID = "your-project-id"  # Replace with your actual Project ID
VERSION = 1  # Replace with your desired dataset version number
MODEL_PATH = "path/to/your/runs/detect/train/"  # Replace with the path to your YOLO26 training results directory

# Get project and version
project = rf.workspace(WORKSPACE_ID).project(PROJECT_ID)
dataset = project.version(VERSION)

# Upload model weights for deployment
# Ensure MODEL_PATH points to the directory containing 'best.pt'
dataset.deploy(
    model_type="yolo26n",
    model_path=MODEL_PATH,
)  # Match model_type to your model size and task, e.g. "yolo26s" or "yolo26n-seg"

print(f"Model from {MODEL_PATH} uploaded to Roboflow project {PROJECT_ID}, version {VERSION}.")
print("Deployment may take up to 30 minutes.")

Dans ce code, remplace your-workspace-id, your-project-id, le nombre VERSION et MODEL_PATH par les valeurs propres à ton compte Roboflow, à ton projet et au répertoire local contenant les résultats de l’entraînement. Vérifie que MODEL_PATH pointe bien vers le répertoire contenant ton fichier de poids entraîné best.pt.

Lorsque tu exécutes le code ci-dessus, tu seras invité à t’authentifier (généralement à l’aide d’une clé API). Ton modèle sera ensuite téléversé et un point de terminaison API sera créé pour ton projet. Cette opération peut prendre jusqu’à 30 minutes.

Pour tester ton modèle et consulter les instructions de déploiement des SDK pris en charge, accède à l’onglet « Deploy » dans la barre latérale de Roboflow. Un widget s’affichera en haut de cette page pour te permettre de tester ton modèle avec ta webcam ou en téléversant des images ou des vidéos.

Roboflow deployment widget for model inference

Tu peux également utiliser ton modèle téléversé comme assistant d’annotation, qui suggère des annotations pour de nouvelles images en fonction de son entraînement.

Comment évaluer les modèles YOLO26#

Roboflow propose des fonctionnalités pour évaluer les performances des modèles. Comprendre les métriques de performance est essentiel pour améliorer les modèles de manière itérative.

Après avoir téléversé un modèle, accède à l’outil d’évaluation depuis la page de ton modèle dans le tableau de bord Roboflow. Clique sur « View Detailed Evaluation ».

Initiating a Roboflow model evaluation

Cet outil affiche une matrice de confusion illustrant les performances du modèle, ainsi qu’un graphique interactif d’analyse vectorielle basé sur les plongements CLIP. Ces fonctionnalités t’aident à repérer les pistes d’amélioration du modèle.

La fenêtre contextuelle de la matrice de confusion :

A confusion matrix displayed in Roboflow

Survole les cellules pour voir leurs valeurs et clique dessus pour afficher les images correspondantes, avec les prédictions du modèle et les données de vérité terrain.

Clique sur « Vector Analysis » pour afficher un nuage de points représentant la similarité des images à partir des plongements CLIP. Les images proches les unes des autres sont sémantiquement similaires. Les points représentent les images et leur couleur va du blanc (bonnes performances) au rouge (mauvaises performances).

Roboflow vector analysis plot using CLIP embeddings

L’analyse vectorielle t’aide à :

  • Repérer les groupes d’images.
  • Repérer les groupes pour lesquels le modèle est peu performant.
  • Comprendre les caractéristiques communes des images qui entraînent de mauvaises performances.

Ressources pédagogiques#

FAQ#

  • Utilise Roboflow Annotate. Crée un projet, téléverse des images et utilise les outils d’annotation (B pour les boîtes englobantes, P pour les polygones) ou l’assistant d’étiquetage basé sur SAM pour accélérer l’étiquetage.

  • Roboflow propose Universe (accès à de nombreux jeux de données) et Collect (collecte automatisée d’images par webcam). Ces services peuvent t’aider à obtenir les données d’entraînement nécessaires à ton modèle YOLO26, en complément des stratégies présentées dans notre guide sur la collecte de données.

  • Utilise les fonctionnalités de recherche de jeux de données, de balisage et de Health Check de Roboflow. La recherche trouve des images à partir de texte ou de balises, tandis que Health Check analyse la qualité du jeu de données (équilibre des classes, taille des images, etc.) pour guider les améliorations avant l’entraînement.

  • Crée une version du jeu de données dans Roboflow, applique le prétraitement et les augmentations souhaités, puis clique sur « Export Dataset » et sélectionne le format YOLO26. Tes données seront alors prêtes à être utilisées avec les pipelines d’entraînement Ultralytics.

  • Télécharge les poids entraînés de YOLO26 sur Roboflow à l’aide du script Python fourni. Cela crée un point de terminaison API prêt à être déployé. Consulte la section Télécharger des poids personnalisés pour obtenir le script et les instructions. Découvre d’autres options de déploiement dans notre documentation.

Commentaires

Pose une question, partage tes résultats ou aide quelqu’un d’autre.