YOLO Vision 2026 :

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 computer vision. Le framework peut être utilisé pour effectuer la detection, la segmentation, la semantic segmentation, l'depth estimation, la classification, l'estimation de pose et l'OBB. Chacune de ces tâches a un objectif et un cas d'usage différents, te permettant de relever divers défis de computer vision avec un seul framework.



Watch: Explore Ultralytics YOLO Tasks: Object Detection, Segmentation, OBB, Tracking, and Pose Estimation.

Détection#

La détection est la tâche principale prise en charge par YOLO26. Elle consiste à identifier des objets dans une image ou une image vidéo et à dessiner des boîtes englobantes autour d'eux. Les objets détectés sont classés en différentes catégories en fonction de leurs caractéristiques. YOLO26 peut détecter plusieurs objets dans une seule image ou trame vidéo avec une accuracy et une vitesse élevées, ce qui le rend idéal pour les applications en temps réel telles que les surveillance systems et les autonomous vehicles.

Exemples de détection

Image segmentation#

La segmentation pousse la détection d'objets plus loin en produisant des masques au niveau des pixels pour chaque objet. Cette précision est utile pour des applications telles que l'medical imaging, l'agricultural analysis et le manufacturing quality control.

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 toute la scène. Contrairement à la segmentation d'instance, elle ne distingue pas les objets individuels d'une même classe. Cela la rend idéale pour la autonomous driving, le scene parsing et la cartographie de l'occupation des sols où la compréhension de la disposition spatiale complète importe plus que l'identification d'objets individuels.

Exemples de segmentation sémantique

Estimation de profondeur monoculaire#

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 flottante dense alignée avec l'image d'entrée, ce qui la rend adaptée à la reconstruction de scènes 3D, à la navigation de robots et aux applications AR/VR où la disposition spatiale doit être déduite 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 telles que la product categorization dans le commerce électronique, la content moderation et le wildlife monitoring.

Exemples de classification

Pose estimation#

L'estimation de pose détecte des points clés spécifiques dans des images ou des trames vidéo pour suivre les mouvements ou estimer les poses. Ces points clés peuvent représenter des articulations humaines, des caractéristiques faciales ou d'autres points d'intérêt significatifs. YOLO26 excelle dans la détection de points clés avec une précision et une vitesse élevées, ce qui le rend précieux pour les fitness applications, les sports analytics et l'human-computer interaction.

Exemples de pose

OBB#

La détection par boîte englobante orientée (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'aerial imagery analysis, le document processing et les industrial applications où les objets apparaissent à différents angles. YOLO26 offre une grande précision et vitesse pour détecter des objets pivotés dans divers scénarios.

Détection orientée

Conclusion#

Ultralytics YOLO26 prend en charge plusieurs tâches de vision par ordinateur, notamment la détection, la segmentation d'instance, la segmentation sémantique, l'estimation de profondeur monoculaire, la classification, la détection d'objets orientés et la détection de points clés. Chaque tâche répond à des besoins spécifiques dans le paysage de la vision par ordinateur, de l'identification d'objets de base 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 appropriée pour tes défis de vision par ordinateur spécifiques et tirer parti des fonctionnalités puissantes de YOLO26 pour construire des solutions efficaces.

Et après ?#

Tu as choisi une tâche ? Formate tes données pour celle-ci avec le Datasets guide, puis train on your own images.

FAQ#

  • Ultralytics YOLO26 est un framework d'IA polyvalent capable d'effectuer diverses tâches de vision par ordinateur avec une précision et une vitesse élevées. Ces tâches incluent :

    • Object Detection : Identification et localisation d'objets dans des images ou des trames vidéo en dessinant des boîtes englobantes autour d'eux.
    • Image segmentation : Segmentation d'images en différentes régions en fonction de leur contenu, utile pour des applications telles que l'imagerie médicale.
    • Semantic Segmentation : Attribution d'une étiquette de classe à chaque pixel d'une image pour une compréhension dense de la scène.
    • Monocular Depth Estimation : Prédiction d'une carte de profondeur par pixel en mètres à partir d'une seule image RGB.
    • Classification : Catégorisation d'images entières en fonction de leur contenu.
    • Pose estimation : Détection de points clés spécifiques dans une image ou une trame vidéo pour suivre les mouvements ou les poses.
    • Oriented Object Detection (OBB) : Détection d'objets pivotés avec un angle d'orientation ajouté pour une précision accrue.

  • 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 en utilisant la tâche de détection.
    3. Utilise le modèle pour faire des prédictions en y intégrant 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 des instructions plus détaillées, consulte nos detection examples.

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

    1. Haute précision : La tâche de segmentation fournit des masques précis au niveau des pixels.
    2. Vitesse : YOLO26 est optimisé pour les applications en temps réel, offrant 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 d'image détaillée.

    Apprends-en davantage sur les avantages et les cas d'usage de YOLO26 pour la segmentation dans la image segmentation section.

  • Oui, Ultralytics YOLO26 peut effectuer efficacement l'estimation de pose et la détection de points clés avec une précision et une vitesse élevées. Cette fonctionnalité est particulièrement utile pour suivre les mouvements dans l'analyse sportive, les soins de santé et les applications d'interaction homme-machine. YOLO26 détecte les points clés dans une image ou une trame vidéo, permettant une estimation de pose précise.

    Pour plus de détails et de conseils d'implémentation, visite nos pose estimation examples.

  • La détection d'objets orientés (OBB) avec YOLO26 offre une precision accrue en détectant les objets avec un paramètre d'angle supplémentaire. Cette fonctionnalité est bénéfique pour les applications nécessitant une localisation précise d'objets pivotés, telles que l'analyse d'imagerie aérienne et l'automatisation des entrepôts.

    • Précision accrue : La composante d'angle réduit les faux positifs pour les objets pivotés.
    • Applications polyvalentes : Utile pour les tâches d'analyse géospatiale, la robotique, etc.

    Consulte la Oriented Object Detection section pour plus de détails et d'exemples.

Contributeurs
GLglenn-jocher19RIRizwanMunawar2BOBovey08091RAraimbekovm1MImiles-deans-ultralytics1LALaughing-q1PDpderrenger1LEleonnil1LELexBarou1MAMatthewNoyce1

Commentaires