Link to this sectionModes de Ultralytics YOLO26#

Link to this sectionIntroduction#

Ultralytics YOLO26 n'est pas juste un autre modèle de détection d'objets ; c'est un framework polyvalent conçu pour couvrir l'ensemble du cycle de vie des modèles de machine learning — de l'ingestion de données et l'entraînement du modèle à la validation, au déploiement et au suivi en temps réel. Chaque mode remplit une fonction spécifique et est conçu pour t'offrir la flexibilité et l'efficacité nécessaires pour différentes tâches et cas d'utilisation.

Link to this sectionAperçu des modes#

Comprendre les différents modes pris en charge par Ultralytics YOLO26 est essentiel pour tirer le meilleur parti de tes modèles :

• Mode Train : Entraîne ton modèle sur des jeux de données personnalisés ou préchargés.
• Mode Val : Un point de contrôle post-entraînement pour valider les performances du modèle.
• Mode Predict : Libère la puissance prédictive de ton modèle sur des données réelles.
• Mode Export : Rends ton modèle prêt pour le déploiement dans divers formats.
• Mode Track : Étends ton modèle de détection d'objets à des applications de suivi en temps réel.
• Mode Benchmark : Analyse la vitesse et la précision de ton modèle dans divers environnements de déploiement.

Ce guide complet vise à te donner une vue d'ensemble et des informations pratiques sur chaque mode, t'aidant à exploiter tout le potentiel de YOLO26.

Link to this sectionTrain#

Le mode Train est utilisé pour entraîner un modèle YOLO26 sur un jeu de données personnalisé. Dans ce mode, le modèle est entraîné en utilisant le jeu de données et les hyperparamètres spécifiés. Le processus d'entraînement implique l'optimisation des paramètres du modèle afin qu'il puisse prédire avec précision les classes et les emplacements des objets dans une image. L'entraînement est essentiel pour créer des modèles capables de reconnaître des objets spécifiques pertinents pour ton application.

Exemples Train

Link to this sectionVal#

Le mode Val est utilisé pour valider un modèle YOLO26 une fois qu'il a été entraîné. Dans ce mode, le modèle est évalué sur un jeu de validation pour mesurer sa précision et ses performances de généralisation. La validation aide à identifier 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 crucial pour régler les hyperparamètres et améliorer l'efficacité globale du modèle.

Exemples Val

Link to this sectionPredict#

Le mode Predict est utilisé pour effectuer des prédictions en utilisant un modèle YOLO26 entraîné sur de nouvelles images ou vidéos. Dans ce mode, le modèle est chargé à partir d'un fichier de point de contrôle, et tu peux fournir des images ou des vidéos pour effectuer une inférence. Le modèle identifie et localise les objets dans les médias d'entrée, le rendant prêt pour des applications concrètes. Le mode Predict est la porte d'entrée pour appliquer ton modèle entraîné afin de résoudre des problèmes pratiques.

Exemples Predict

Link to this sectionExport#

Le mode Export est utilisé pour convertir un modèle YOLO26 dans des formats adaptés au déploiement sur différentes plateformes et appareils. Ce mode transforme ton modèle PyTorch en formats optimisés comme ONNX, TensorRT ou CoreML, permettant un déploiement dans des environnements de production. L'exportation est essentielle pour intégrer ton modèle avec diverses applications logicielles ou appareils matériels, entraînant souvent des améliorations de performances significatives.

Exemples Export

Link to this sectionTrack#

Le mode Track étend les capacités de détection d'objets de YOLO26 pour suivre des objets à travers des séquences vidéo ou des flux en direct. Ce mode est particulièrement précieux pour les applications nécessitant une identification persistante des objets, telles que les systèmes de surveillance ou les voitures autonomes. Le mode Track implémente des trackers sophistiqués tels que BoT-SORT (par défaut) et ByteTrack pour maintenir l'identité des objets entre les images, même lorsque les objets disparaissent temporairement de la vue.

Exemples Track

Link to this sectionBenchmark#

Le mode Benchmark profile la vitesse et la précision de divers formats d'exportation pour YOLO26. Ce mode fournit des métriques complètes sur la taille du modèle, la précision (mAP50-95 pour les tâches de détection ou accuracy_top1 pour la classification), et le temps d'inférence à travers différents formats comme ONNX, OpenVINO et TensorRT. Le benchmarking t'aide à sélectionner le format d'exportation optimal en fonction de tes besoins spécifiques en termes de vitesse et de précision dans ton environnement de déploiement.

Exemples Benchmark

Link to this sectionFAQ#

Link to this sectionComment entraîner un modèle de détection d'objets personnalisé avec Ultralytics YOLO26 ?#

Entraîner un modèle de détection d'objets personnalisé avec Ultralytics YOLO26 implique l'utilisation du mode train. Tu as besoin d'un jeu de données formaté au format YOLO, contenant des images et les fichiers d'annotation correspondants. Utilise la commande suivante pour lancer le processus d'entraînement :

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

Pour des instructions plus détaillées, tu peux te référer au Guide Train d'Ultralytics.

Link to this sectionQuelles métriques Ultralytics YOLO26 utilise-t-il pour valider les performances du modèle ?#

Ultralytics YOLO26 utilise diverses métriques pendant le processus de validation pour évaluer les performances du modèle. Celles-ci incluent :

• mAP (précision moyenne) : Cela évalue la précision de la détection d'objets.
• IOU (Intersection sur Union) : Mesure le chevauchement entre les boîtes englobantes prédites et réelles.
• Précision et Rappel : La précision mesure le rapport des détections positives vraies sur le total des positifs détectés, tandis que le rappel mesure le rapport des détections positives vraies sur le total des positifs réels.

Tu peux exécuter la commande suivante pour lancer la validation :

from ultralytics import YOLO

# Load a pretrained or custom YOLO model
model = YOLO("yolo26n.pt")

# Run validation on your dataset
model.val(data="path/to/validation.yaml")

Référe-toi au Guide de Validation pour plus de détails.

Link to this sectionComment puis-je exporter mon modèle YOLO26 pour le déploiement ?#

Ultralytics YOLO26 offre une fonctionnalité d'exportation pour convertir ton modèle entraîné en divers formats de déploiement tels que ONNX, TensorRT, CoreML, et plus encore. Utilise l'exemple suivant pour exporter ton modèle :

from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")

Les étapes détaillées pour chaque format d'exportation peuvent être trouvées dans le Guide d'Exportation.

Link to this sectionQuel est l'objectif du mode benchmark dans Ultralytics YOLO26 ?#

Le mode Benchmark dans Ultralytics YOLO26 est utilisé pour analyser la vitesse et la précision de divers 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 à travers différentes configurations matérielles, t'aidant à choisir le format le plus adapté à tes besoins de déploiement.

from ultralytics.utils.benchmarks import benchmark

# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

Pour plus de détails, réfère-toi au Guide Benchmark.

Link to this sectionComment puis-je effectuer un suivi d'objets en temps réel en utilisant Ultralytics YOLO26 ?#

Le suivi d'objets en temps réel peut être réalisé en utilisant le mode track dans Ultralytics YOLO26. Ce mode étend les capacités de détection d'objets pour suivre les objets à travers des images vidéo ou des flux en direct. Utilise l'exemple suivant pour activer le suivi :

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

Pour des instructions approfondies, visite le Guide Track.