Ultralytics YOLO27 :

Tâches de vision par ordinateur prises en charge par Ultralytics YOLO26#

Ultralytics YOLO supported computer vision tasks

Ultralytics YOLO26 est un framework d’IA polyvalent qui prend en charge plusieurs tâches de vision par ordinateur. Le framework peut être utilisé pour effectuer de la détection, de la segmentation, de la segmentation sémantique, de l’estimation de profondeur, de la classification, de l’estimation de pose et de la détection OBB. Chacune de ces tâches possède un objectif et un cas d’utilisation différents, ce qui te permet de répondre à divers défis de vision par ordinateur avec un seul framework.

Pour le support planifié de YOLO27, consulte l' aperçu de YOLO27. YOLO27 arrive bientôt et n'est pas encore disponible ; ce guide utilise les modèles YOLO26 publiés.



Watch: Explore Ultralytics YOLO26 Tasks: Object Detection, Segmentation, Depth Estimation, Classification, Pose Estimation, and OBB.

Détection#

La détection est la tâche principale prise en charge par YOLO26. Elle consiste à identifier les objets dans une image ou une trame vidéo et à dessiner des boîtes englobantes autour d’eux. Les objets détectés sont classés dans différentes catégories en fonction de leurs caractéristiques. YOLO26 peut détecter plusieurs objets dans une même image ou trame vidéo avec une grande précision et une grande rapidité, ce qui le rend idéal pour les applications en temps réel telles que les systèmes de surveillance et les véhicules autonomes.

Exemples de détection

Segmentation d'instances#

La segmentation va plus loin que la détection d’objets en produisant des masques au niveau des pixels pour chaque objet. Cette précision est utile pour des applications telles que l’imagerie médicale, l’analyse agricole et le contrôle qualité industriel.

Exemples de segmentation

Segmentation sémantique#

La segmentation sémantique attribue une étiquette de classe à chaque pixel d’une image, produisant une carte de classes dense de l’ensemble de la scène. Contrairement à la segmentation d’instances, elle ne fait pas la distinction entre 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’organisation spatiale complète importe davantage que l’identification des objets individuels.

Exemples de segmentation sémantique

Estimation de profondeur#

L’estimation de profondeur monoculaire prédit une carte de profondeur par pixel, en mètres, à partir d’une seule image RGB. La sortie est une carte dense de nombres flottants alignée sur l’image d’entrée, ce qui la rend adaptée à la reconstruction de scènes 3D, à la navigation des robots et aux applications de RA/RV où l’organisation spatiale doit être déduite 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 telles que la catégorisation de produits dans le commerce en ligne, la modération de contenu et la surveillance de la faune.

Exemples de classification

Estimation de pose#

L’estimation de pose détecte des points clés spécifiques dans les images ou les trames vidéo afin de suivre les mouvements ou d’estimer les poses. Ces points clés peuvent représenter des articulations humaines, des traits du visage ou d’autres points d’intérêt importants. YOLO26 excelle dans la détection de points clés avec une grande précision et une grande rapidité, ce qui le rend utile pour les applications de fitness, l’analyse sportive et l’interaction humain-machine.

Exemples de pose

OBB#

La détection de boîtes englobantes orientées (OBB) améliore la détection d’objets traditionnelle en ajoutant un angle d’orientation pour localiser plus précisément les objets pivotés. Cette fonctionnalité est particulièrement utile 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 grande rapidité pour détecter les objets pivotés dans des scénarios variés.

Détection orientée

Conclusion#

Ultralytics YOLO26 prend en charge plusieurs tâches de vision par ordinateur, notamment la détection, la segmentation d’instances, la segmentation sémantique, l’estimation de profondeur monoculaire, la classification, la détection de points clés et la détection d’objets orientés. Chaque tâche répond à des besoins spécifiques dans le domaine de la vision par ordinateur, de l’identification élémentaire d’objets à l’inférence dense de profondeur par pixel. En comprenant les capacités et les applications de chaque tâche, tu peux sélectionner l’approche la plus adaptée à tes défis spécifiques de vision par ordinateur et tirer parti des puissantes fonctionnalités de YOLO26 pour créer des solutions efficaces.

Et ensuite ?#

Tu as choisi une tâche ? Formate tes données pour celle-ci avec le guide des jeux de données, puis entraîne ton 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 grande rapidité. Ces tâches comprennent :

    • Détection d’objets : identifier et localiser les objets dans des images ou des trames vidéo en dessinant des boîtes englobantes autour d’eux.
    • Segmentation d'instance : Production d'un masque au niveau du pixel pour chaque objet détecté, utile pour 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 : Prédiction d'une carte de profondeur par pixel en mètres à partir d'une seule image RVB.
    • Classification : catégoriser des images entières en fonction de leur contenu.
    • Estimation de pose : Détection de points clés spécifiques dans une image ou une trame vidéo pour suivre des mouvements ou des poses.
    • Détection d’objets orientés (OBB) : détecter les objets pivotés avec un angle d’orientation supplémentaire pour améliorer la précision.

  • Pour utiliser Ultralytics YOLO26 pour la détection d’objets, suis ces étapes :

    1. Prépare ton jeu de données dans le format approprié.
    2. Entraîne le modèle YOLO26 avec la tâche de détection.
    3. Utilise le modèle pour effectuer des prédictions en lui fournissant de nouvelles images ou trames vidéo.
    Exemple
    from ultralytics import YOLO

# Load a pretrained YOLO model (adjust model type as needed)
model = YOLO("yolo26n.pt")  # n, s, m, l, x versions available

# Perform object detection on an image
results = model.predict(source="image.jpg")  # Can also use video, directory, URL, etc.

# Display the results
results[0].show()  # Show the first image results

    Pour obtenir des instructions plus détaillées, consulte nos exemples de détection.

  • L’utilisation de YOLO26 pour les tâches de segmentation offre plusieurs avantages :

    1. Grande précision : la tâche de segmentation fournit des masques précis au niveau des pixels.
    2. Rapidité : YOLO26 est optimisé pour les applications en temps réel et offre un traitement rapide, même pour les images haute résolution.
    3. Applications multiples : il est idéal pour l’imagerie médicale, la conduite autonome et d’autres applications nécessitant une segmentation détaillée des images.

    Pour en savoir plus sur les avantages et les cas d’utilisation de YOLO26 pour la segmentation, consulte la section sur la segmentation d’image.

  • Oui, Ultralytics YOLO26 peut effectuer efficacement l’estimation de pose et la détection de points clés avec une grande précision et une grande rapidité. 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 trame vidéo, ce qui permet une estimation précise de la pose.

    Pour plus de détails et de 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 des objets pivotés, telles que 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 les tâches d’analyse géospatiale, de robotique, etc.

    Consulte la section sur la détection d’objets orientés pour plus de détails et d’exemples.

Contributeurs
GLglenn-jocher21RIRizwanMunawar3RAraimbekovm3BOBovey08091MImiles-deans-ultralytics1LALaughing-q1PDpderrenger1LEleonnil1LELexBarou1MAMatthewNoyce1

Commentaires