Modes Ultralytics YOLO26#
Introduction#
Ultralytics YOLO26 n'est pas qu'un simple modèle de détection d'objets ; c'est un framework polyvalent conçu pour couvrir tout le cycle de vie des modèles de machine learning, de l'ingestion des données et de l'entraînement des modèles à la validation, au déploiement et au suivi dans le monde réel. Chaque mode répond à un objectif précis et est conçu pour t'offrir la flexibilité et l'efficacité nécessaires à différentes tâches et applications.
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#
Comprendre les différents modes pris en charge par Ultralytics YOLO26 est essentiel pour tirer le meilleur parti de tes modèles :
- Mode Train : affine ton modèle sur des jeux de données personnalisés ou préchargés.
- Mode Val : vérifie les performances du modèle à l'aide d'un point de contrôle après l'entraînement.
- Mode Predict : exploite les capacités prédictives de ton modèle sur des données réelles.
- Mode Export : prépare ton modèle au déploiement dans différents formats.
- Mode Track : étends ton modèle de détection d'objets aux applications de suivi en temps réel.
- Mode Benchmark : analyse la vitesse et la précision de ton modèle dans différents environnements de déploiement.
Ce guide complet vise à te donner un aperçu et des conseils pratiques sur chaque mode pour t'aider à exploiter tout le potentiel de YOLO26.
Train#
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.
Val#
Le mode Val sert à valider un modèle YOLO26 après son entraînement. Dans ce mode, le modèle est évalué sur un ensemble de validation afin de mesurer sa précision et sa capacité de généralisation. La validation permet de détecter des problèmes potentiels comme le surapprentissage et fournit des métriques telles que la précision moyenne (mAP) pour quantifier les performances du modèle. Ce mode est essentiel pour ajuster les hyperparamètres et améliorer l'efficacité globale du modèle.
Predict#
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 à partir d'un fichier de point de contrôle, puis l'utilisateur peut fournir des images ou des vidéos pour lancer l'inférence. Le modèle identifie et localise les objets dans les médias d'entrée, ce qui le rend prêt pour des applications réelles. Le mode Predict permet d'appliquer ton modèle entraîné à la résolution de 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.
Suivre#
Le mode Track étend les capacités de détection d’objets de YOLO26 pour suivre les objets d’une image vidéo à l’autre ou dans des flux en direct. Ce mode est particulièrement utile pour les applications qui nécessitent 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.
Évaluer les performances#
Le mode Benchmark mesure la vitesse et la précision de différents formats d’exportation pour YOLO26. Il 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 ; delta1 pour la profondeur ; ou accuracy_top1 pour la classification) et le temps d’inférence dans différents formats tels que ONNX, OpenVINO et TensorRT. L’évaluation des performances t’aide à choisir le format d’exportation optimal en fonction de tes exigences spécifiques en matière 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 que ONNX, TensorRT et OpenVINO. Il fournit des métriques comme la taille du modèle,
mAP50-95pour la détection d’objets et le temps d’inférence sur différentes configurations matérielles, ce qui t’aide 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.