Modes Ultralytics YOLO26
Introduction#
Ultralytics YOLO26 est bien plus qu’un modèle de détection d’objets : le framework Ultralytics couvre le cycle de vie complet des modèles d’apprentissage automatique, de l’entraînement et de la validation à la prédiction, l’export, le suivi et l’évaluation des performances. Chaque mode remplit un rôle précis dans ce flux de travail.
Pour en savoir plus sur la prise en charge prévue de YOLO27, consulte l'aperçu de YOLO27. YOLO27 arrive bientôt et n'est pas encore disponible ; ce guide utilise les modèles YOLO26 publiés.
Regarder : Tutoriel sur les modes Ultralytics : entraînement, validation, prédiction, exportation et évaluation comparative.
Aperçu des modes#
Ultralytics YOLO26 prend en charge les modes suivants :
- Mode Train : entraîne ou ajuste ton modèle sur des jeux de données personnalisés ou intégrés.
- Mode Val : valide les performances du modèle après l’entraînement.
- Mode Predict : effectue des inférences avec ton modèle sur de nouvelles images, vidéos et flux.
- Mode Export : convertis ton modèle dans des formats prêts pour le déploiement de modèles.
- Mode Track : suis des objets d’une image vidéo à l’autre et dans les flux en direct, en temps réel.
- Mode Benchmark : analyse la vitesse et la précision de ton modèle dans différents environnements de déploiement.
Les sections ci-dessous résument chaque mode et renvoient vers son guide complet.
Entraînement#
Le mode Train sert à entraîner un modèle YOLO26 sur un jeu de données personnalisé. Dans ce mode, le modèle est entraîné à l’aide du jeu de données et des hyperparamètres spécifiés. Le processus d’entraînement consiste à optimiser les paramètres du modèle afin qu’il puisse prédire avec précision les classes et l’emplacement des objets dans une image. L’entraînement est essentiel pour créer des modèles capables de reconnaître les objets spécifiques utiles à ton application.
Validation#
Le mode Val sert à valider un modèle YOLO26 après son entraînement. Dans ce mode, le modèle est évalué sur un jeu de validation afin de mesurer sa précision et sa capacité de généralisation. La validation aide à repérer les problèmes potentiels comme le surapprentissage et fournit des métriques telles que la précision moyenne (mAP) pour quantifier les performances du modèle. Les résultats de validation orientent le réglage des hyperparamètres et d’autres améliorations du modèle.
Prédiction#
Le mode Predict sert à effectuer des prédictions sur de nouvelles images ou vidéos à l’aide d’un modèle YOLO26 entraîné. Dans ce mode, le modèle est chargé depuis un fichier de point de contrôle, puis l’utilisateur peut fournir des images ou des vidéos pour effectuer l’inférence. Le modèle identifie et localise les objets dans les médias en entrée. Le mode Predict permet d’appliquer ton modèle entraîné à des problèmes concrets.
Export#
Le mode Export sert à convertir un modèle YOLO26 dans des formats adaptés au déploiement sur différentes plateformes et différents appareils. Ce mode transforme ton modèle PyTorch en formats optimisés tels que ONNX, TensorRT ou CoreML, ce qui permet de le déployer dans des environnements de production. L'export est essentiel pour intégrer ton modèle à différentes applications logicielles ou à différents appareils matériels, et peut souvent améliorer considérablement les performances.
Suivi#
Le mode Track étend les capacités de détection d’objets de YOLO26 pour suivre des objets au fil des images vidéo ou des flux en direct. Ce mode est particulièrement utile pour les applications nécessitant une identification persistante des objets, comme les systèmes de surveillance ou les voitures autonomes. Il comprend six trackers : TrackTrack (par défaut), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT et FastTracker.
Benchmark#
Le mode Benchmark évalue la vitesse et la précision de différents formats d’exportation pour YOLO26. Ce mode fournit des métriques complètes sur la taille du modèle, la précision (mAP50-95 pour la détection, la segmentation, la pose et OBB ; mIoU pour la segmentation sémantique ; δ1 pour la profondeur ; ou accuracy_top1 pour la classification) et le temps d’inférence de différents formats comme ONNX, OpenVINO et TensorRT. Le benchmarking t’aide à choisir le format d’exportation optimal selon tes exigences de vitesse et de précision dans ton environnement de déploiement.
FAQ#
Pour entraîner un modèle personnalisé de détection d’objets avec Ultralytics YOLO26, utilise le mode train. Tu as besoin d’un jeu de données au format YOLO, composé d’images et de fichiers d’annotation correspondants. Utilise la commande suivante pour lancer l’entraînement :
Exemplefrom ultralytics import YOLO # Charger un modèle YOLO préentraîné (tu peux choisir les versions n, s, m, l ou x) model = YOLO("yolo26n.pt") # Lancer l’entraînement sur ton jeu de données personnalisé model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)Pour obtenir des instructions plus détaillées, consulte le guide d’entraînement Ultralytics.
Ultralytics YOLO26 utilise différentes métriques pendant la validation pour évaluer les performances du modèle. En voici quelques-unes :
- mAP (précision moyenne) : cette métrique évalue la précision de la détection d’objets.
- IoU (intersection sur union) : mesure le chevauchement entre les boîtes englobantes prédites et celles de référence.
- Précision et rappel : la précision mesure le rapport entre les détections positives correctes et le nombre total de détections positives, tandis que le rappel mesure le rapport entre les détections positives correctes et le nombre total de cas positifs réels.
Tu peux lancer la validation à l’aide de la commande suivante :
Exemplefrom ultralytics import YOLO # Charger un modèle YOLO préentraîné ou personnalisé model = YOLO("yolo26n.pt") # Exécuter la validation sur ton jeu de données model.val(data="path/to/validation.yaml")Consulte le guide de validation pour en savoir plus.
Ultralytics YOLO26 propose une fonctionnalité d’exportation qui convertit ton modèle entraîné en différents formats de déploiement, tels que ONNX, TensorRT, CoreML et bien d’autres. Utilise l’exemple suivant pour exporter ton modèle :
Exemplefrom ultralytics import YOLO # Charger ton modèle YOLO entraîné model = YOLO("yolo26n.pt") # Exporter le modèle au format ONNX (tu peux préciser d’autres formats si nécessaire) model.export(format="onnx")Tu trouveras les étapes détaillées pour chaque format d’exportation dans le guide d’exportation.
Le mode Benchmark d’Ultralytics YOLO26 sert à analyser la vitesse et la précision de différents formats d’exportation tels qu’ONNX, TensorRT et OpenVINO. Il fournit des métriques comme la taille du modèle, mAP50-95 pour la détection d’objets et le temps d’inférence sur différentes configurations matérielles, afin de t’aider à choisir le format le mieux adapté à tes besoins de déploiement.
Exemplefrom ultralytics.utils.benchmarks import benchmark # Exécuter l’évaluation des performances sur le GPU (appareil 0) # Tu peux ajuster les paramètres tels que le modèle, le jeu de données, la taille des images et la précision selon tes besoins benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)Pour en savoir plus, consulte le guide d’évaluation des performances.
Le mode track d’Ultralytics YOLO26 permet d’effectuer un suivi d’objets en temps réel. Il étend les capacités de détection d’objets pour suivre les objets d’une image vidéo à l’autre ou dans des flux en direct. Utilise l’exemple suivant pour activer le suivi :
Exemplefrom ultralytics import YOLO # Charger un modèle YOLO préentraîné model = YOLO("yolo26n.pt") # Démarrer le suivi des objets dans une vidéo # Tu peux aussi utiliser des flux vidéo en direct ou l’entrée d’une webcam model.track(source="path/to/video.mp4")Pour des instructions détaillées, consulte le guide de suivi.
Commentaires7
Pose une question, partage tes résultats ou aide quelqu’un d’autre.
Monkey1GIt
The Chinese web page translation is very bad, for example, "train" should be "训练", but translated into "火车"
And can not switch to English page, click the EN button, will still switch to Chinese page
2
Glenn JocherUltralyticsHey there! 😊 Thanks for bringing this to our attention. We're sorry for the inconvenience caused by the translation errors and the issue with the language switch button. We're constantly working on improving our documentation and its accessibility, including accurate translations.
For the translation issue, we'll look into it and aim to correct those errors, like "train" being incorrectly translated. Your feedback is invaluable in helping us enhance the user experience.
Regarding the language switch issue, we're investigating this and will work on a fix. In the meantime, if you're still unable to switch to the English page, you might try clearing your browser's cache or using a different browser as a temporary workaround.
If you have any more feedback or need further assistance, please don't hesitate to reach out. Thanks for your support and understanding! 🙏
myangel1972
what is the difference between version 8.3.6 and 11?
1
Glenn JocherUltralytics(modifié)@myangel1972
8.3.6is a release number of theultralyticsPython package, while YOLO11 is a model family. YOLO26 is now the latest and recommended model, offering improved performance across tasks like detection, segmentation, and tracking. For detailed differences, please refer to the release notes on the Ultralytics GitHub page.myangel1972
thanks a lot for your quickly reply!but I still have a question,on the right top of this page,there is a tag with 8.3.7(yesterday it was 8.3.6), so i am confused that what is the relatonship between 8.3.7 and yolo 11?
Glenn JocherUltralytics(modifié)@myangel1972 version numbers like 8.3.7 are releases of the
ultralyticspackage (which supports YOLOv8, YOLO11 and later models), including improvements and bug fixes. YOLO11 is a separate model family released in that package line, so the two numbers are not comparable.1myangel1972
Thanks a lot! Now I understand it very clearly! Great Job!
