Tâches de vision par ordinateur prises en charge par Ultralytics YOLO26#
Ultralytics YOLO26 est un cadre d’IA polyvalent qui prend en charge plusieurs tâches de vision par ordinateur. Ce cadre peut servir à effectuer la détection, la segmentation, la segmentation sémantique, l’estimation de profondeur, la classification, l’estimation de pose et l’OBB. Chacune de ces tâches a un objectif et un cas d’utilisation différents, ce qui te permet de relever divers défis de vision par ordinateur avec un seul cadre.
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 : Découvre les tâches d’Ultralytics YOLO26 : Détection d’objets, segmentation d’instances, segmentation sémantique, estimation de profondeur, classification, estimation de pose et OBB.
Détection#
La détection est la principale tâche prise en charge par YOLO26. Elle consiste à identifier des objets dans une image ou une image vidéo et à tracer des cadres de délimitation autour d’eux. Les objets détectés sont classés dans différentes catégories selon leurs caractéristiques. YOLO26 peut détecter plusieurs objets dans une seule image ou image vidéo avec une grande exactitude et une grande rapidité, ce qui le rend idéal pour les applications en temps réel comme les systèmes de surveillance et les véhicules autonomes.
Segmentation d'instances#
La segmentation va plus loin que la détection d’objets en produisant des masques au niveau du pixel pour chaque objet. Cette précision est utile dans des applications telles que l’imagerie médicale, l’analyse agricole et le contrôle qualité en fabrication.
Segmentation sémantique#
La segmentation sémantique attribue une étiquette de classe à chaque pixel d’une image, produisant une carte dense des classes pour l’ensemble de la scène. Contrairement à la segmentation d’instances, elle ne distingue pas les objets individuels d’une même classe. Elle est donc idéale pour la conduite autonome, l’analyse de scènes et la cartographie de l’occupation des sols, lorsque la compréhension de l’agencement spatial global importe davantage que l’identification des objets individuels.
Exemples de segmentation sémantique
Estimation de profondeur#
L’estimation monoculaire de profondeur prédit une carte de profondeur par pixel, en mètres, à partir d’une seule image RGB. La sortie est une carte dense de nombres à virgule flottante alignée sur l’image d’entrée, ce qui la rend adaptée à la reconstruction de scènes 3D, à la navigation robotique et aux applications de réalité augmentée/réalité virtuelle (AR/VR) où l’agencement spatial doit être déduit à partir d’une seule caméra.
Exemples d’estimation de profondeur
Classification#
La classification consiste à catégoriser des images entières en fonction de leur contenu. Cette tâche est essentielle pour des applications comme la catégorisation de produits dans le commerce électronique, la modération de contenu et le suivi de la faune.
Estimation de pose#
L’estimation de pose détecte des points clés spécifiques dans des images ou des images vidéo afin de suivre des mouvements ou d’estimer des poses. Ces points clés peuvent représenter des articulations humaines, des traits du visage ou d’autres points d’intérêt significatifs. YOLO26 excelle dans la détection de points clés avec une grande exactitude et une grande rapidité, ce qui le rend précieux pour les applications de fitness, l’analyse sportive et l’interaction humain-machine.
OBB#
La détection de boîtes englobantes orientées (OBB) améliore la détection d’objets traditionnelle en ajoutant un angle d’orientation pour mieux localiser les objets pivotés. Cette capacité est particulièrement précieuse pour l’analyse d’images aériennes, le traitement de documents et les applications industrielles, où les objets apparaissent sous différents angles. YOLO26 offre une grande précision et une vitesse élevée pour détecter des objets pivotés dans divers scénarios.
Et ensuite ?#
Tu as choisi une tâche ? Formate tes données à l’aide du guide des jeux de données, puis entraîne le modèle sur tes propres images.
FAQ#
Ultralytics YOLO26 est un framework d’IA polyvalent capable d’effectuer diverses tâches de vision par ordinateur avec une grande précision et une vitesse élevée. Ces tâches comprennent :
- Détection d’objets : identifier et localiser des objets dans des images ou des images vidéo en traçant des boîtes englobantes autour d’eux.
- Segmentation d’instances : produire un masque au niveau du pixel pour chaque objet détecté, utile dans des applications comme l’imagerie médicale.
- Segmentation sémantique : attribuer une étiquette de classe à chaque pixel d’une image pour obtenir une compréhension dense de la scène.
- Estimation de profondeur : prédire une carte de profondeur en mètres pour chaque pixel à partir d’une seule image RGB.
- Classification : classer des images entières en fonction de leur contenu.
- Estimation de pose : détecter des points clés spécifiques dans une image ou une image vidéo afin de suivre des mouvements ou des poses.
- Détection d’objets orientés (OBB) : détecter des objets pivotés en ajoutant un angle d’orientation pour améliorer la précision.
Pour utiliser Ultralytics YOLO26 pour la détection d’objets, suis ces étapes :
- Prépare ton jeu de données au format approprié.
- Entraîne le modèle YOLO26 avec la tâche de détection.
- Utilise le modèle pour effectuer des prédictions en lui fournissant de nouvelles images ou des images vidéo.
Exemplefrom ultralytics import YOLO # Charger un modèle YOLO préentraîné (ajuster le type de modèle selon les besoins) model = YOLO("yolo26n.pt") # versions n, s, m, l, x disponibles # Effectuer la détection d’objets sur une image results = model.predict(source="image.jpg") # Tu peux aussi utiliser une vidéo, un répertoire, une URL, etc. # Afficher les résultats results[0].show() # Afficher les résultats de la première imagePour des instructions plus détaillées, consulte nos exemples de détection.
L’utilisation de YOLO26 pour les tâches de segmentation présente plusieurs avantages :
- Grande précision : la tâche de segmentation fournit des masques précis au niveau du pixel.
- Vitesse : YOLO26 est optimisé pour les applications en temps réel et offre un traitement rapide, même pour les images haute résolution.
- Applications multiples : il est idéal pour l’imagerie médicale, la conduite autonome et d’autres applications nécessitant une segmentation détaillée des images.
Découvre plus en détail les avantages et les cas d’utilisation de YOLO26 pour la segmentation dans la section sur la segmentation d’images.
Oui, Ultralytics YOLO26 peut effectuer efficacement l’estimation de pose et la détection de points clés avec une grande précision et une vitesse élevée. Cette fonctionnalité est particulièrement utile pour suivre les mouvements dans l’analyse sportive, les soins de santé et les applications d’interaction humain-machine. YOLO26 détecte les points clés dans une image ou une image vidéo, ce qui permet une estimation précise de la pose.
Pour plus de détails et des conseils de mise en œuvre, consulte nos exemples d’estimation de pose.
La détection d’objets orientés (OBB) avec YOLO26 offre une précision accrue en détectant les objets avec un paramètre d’angle supplémentaire. Cette fonctionnalité est utile pour les applications nécessitant une localisation précise d’objets pivotés, comme l’analyse d’images aériennes et l’automatisation des entrepôts.
- Précision accrue : la composante angulaire réduit les faux positifs pour les objets pivotés.
- Applications polyvalentes : utile pour des tâches d’analyse géospatiale, de robotique, etc.
Consulte la section sur la détection d’objets orientés pour plus de détails et d’exemples.