Détection d'objets avec Ultralytics YOLO#

La détection d'objets est une tâche qui consiste à identifier l'emplacement et la classe des objets dans une image ou un flux vidéo.

La sortie d'un détecteur d'objets est un ensemble de boîtes englobantes qui encadrent les objets dans l'image, accompagnées d'étiquettes de classe et de scores de confiance pour chaque boîte. La détection d'objets est un bon choix lorsque tu as besoin d'identifier des objets d'intérêt dans une scène, mais que tu n'as pas besoin de connaître exactement l'emplacement ou la forme précise de l'objet.

Modèles#

Les modèles Detect préentraînés YOLO26 sont présentés ici. Les modèles Detect, Segment et Pose sont préentraînés sur le jeu de données COCO, les modèles Semantic sont préentraînés sur Cityscapes, et les modèles Classify sont préentraînés sur le jeu de données ImageNet.

Les modèles sont téléchargés automatiquement depuis la dernière version d'Ultralytics lors de la première utilisation.

• mAP^val valeurs pour un modèle unique et une échelle unique sur le jeu de données COCO val2017.
  Reproduire avec yolo val detect data=coco.yaml device=0
• Vitesse moyennée sur les images de validation COCO en utilisant une instance Amazon EC2 P4d.
  Reproduire avec yolo val detect data=coco.yaml batch=1 device=0|cpu
• Les valeurs de Params et FLOPs concernent le modèle fusionné après model.fuse(), qui fusionne les couches Conv et BatchNorm et, pour les modèles end2end, supprime la tête de détection auxiliaire one-to-many. Les points de contrôle pré-entraînés conservent l'architecture d'entraînement complète et peuvent afficher des nombres plus élevés.

Entraîner (Train)#

Entraîne YOLO26n sur le jeu de données COCO8 pendant 100 époques à une taille d'image de 640. Pour une liste complète des arguments disponibles, consulte la page Configuration.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Consulte tous les détails du mode train sur la page Train. Les modèles de détection peuvent également être entraînés avec l'entraînement cloud de la plateforme Ultralytics.

Format de jeu de données#

Le format du jeu de données de détection YOLO se trouve en détail dans le Guide des jeux de données. Pour convertir ton jeu de données existant depuis d'autres formats (comme COCO, etc.) vers le format YOLO, utilise l'outil JSON2YOLO d'Ultralytics. Tu peux également annoter et gérer les jeux de données de détection avec les outils d'annotation assistés par IA de la plateforme Ultralytics.

Valider (Val)#

Valide l'précision du modèle YOLO26n entraîné sur le jeu de données COCO8. Aucun argument n'est nécessaire car le model conserve son data d'entraînement et ses arguments en tant d'attributs du modèle.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Prédire (Predict)#

Utilise un modèle YOLO26n entraîné pour effectuer des prédictions sur des images.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

# Access the results
for result in results:
    xywh = result.boxes.xywh  # center-x, center-y, width, height
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # top-left-x, top-left-y, bottom-right-x, bottom-right-y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # class name of each box
    confs = result.boxes.conf  # confidence score of each box

Consulte tous les détails du mode predict dans la page Prédire.

Sortie des résultats#

La détection d'objets renvoie un objet Results par image. Le champ de prédiction principal est result.boxes, qui contient les coordonnées de la boîte, les ID de classe et les scores de confiance pour chaque objet détecté.

Pour les champs Results spécifiques à chaque tâche, consulte la section Résultats de prédiction par tâche.

Exporter (Export)#

Exporte un modèle YOLO26n vers un format différent comme ONNX, CoreML, etc.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

# Export the model
model.export(format="onnx")

Les formats d'exportation YOLO26 disponibles se trouvent dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format en utilisant l'argument format, c'est-à-dire format='onnx' ou format='engine'. Tu peux prédire ou valider directement sur les modèles exportés, c'est-à-dire yolo predict model=yolo26n.onnx. Des exemples d'utilisation sont affichés pour ton modèle une fois l'exportation terminée.

Consulte tous les détails de export dans la page Exporter.

FAQ#