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 entourent les objets de l’image, accompagné des étiquettes de classe et des scores de confiance pour chaque boîte. La détection d’objets est un bon choix lorsque tu dois identifier les objets d’intérêt dans une scène, sans avoir besoin de connaître leur emplacement exact ni leur forme précise.

Modèles#

Les modèles Detect YOLO26 préentraînés 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 values are for single-model single-scale on COCO val2017 dataset.
  Reproduce by yolo val detect data=coco.yaml device=0. Add nms=False to reproduce the e2e column.
• La vitesse est calculée comme la moyenne sur les images COCO val à l’aide d’une instance Amazon EC2 P4d.
  Reproduis-la avec yolo val detect data=coco.yaml batch=1 device=0|cpu nms=False
• Params and FLOPs values are for fused models after Conv/BatchNorm folding and removal of the unused detection branch. Pretrained checkpoints retain the full training architecture and may show higher counts.

Consulte l'aperçu non publié de YOLO27 (https://ultralytics-translation-0.invalid) pour les résultats préliminaires de détection COCO.

Entraîner#

Entraîne YOLO26n sur le jeu de données COCO8 pendant 100 époques avec une taille d’image de 640. Pour obtenir la 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 les détails complets du mode train sur la page Train. Les modèles de détection peuvent également être entraînés avec l’entraînement cloud d’Ultralytics Platform.

Format du dataset#

Le format de jeu de données de détection YOLO se trouve en détail dans le Guide des jeux de données. Pour convertir un jeu de données JSON COCO existant au format YOLO, utilise la fonction intégrée convert_coco décrite dans le Guide COCO vers YOLO. Tu peux aussi annoter et gérer des jeux de données de détection avec les outils d'annotation assistés par IA de la plateforme Ultralytics.

Validation#

Évalue la précision du modèle YOLO26n entraîné sur le jeu de données COCO8. Aucun argument n’est nécessaire, car model conserve ses data et arguments d’entraînement comme 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

Prédiction#

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 les détails complets du mode predict dans la page Prédiction.

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 des boîtes, les identifiants de classe et les scores de confiance pour chaque objet détecté.

Pour connaître les champs Results spécifiques à chaque tâche, consulte la section Résultats des prédictions par tâche.

Exportation#

Exporte un modèle YOLO26n vers un autre format, 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 disponibles pour YOLO26 sont indiqués dans le tableau ci-dessous. Tu peux exporter vers n’importe quel format à l’aide de l’argument format, c’est-à-dire format='onnx' ou format='engine'. Tu peux effectuer des prédictions ou des validations directement sur les modèles exportés, c’est-à-dire yolo predict model=yolo26n.onnx. Des exemples d’utilisation de ton modèle sont présentés une fois l’exportation terminée.

nms=None utilise par défaut des sorties brutes pour NMS externe. Définis nms=False pour sélectionner une tête sans NMS disponible ; les formats non pris en charge reviennent à leur chemin de sortie natif. Les entrées nms ci-dessus identifient les formats capables d'intégrer NMS avec nms=True.

Consulte les détails complets du mode export dans la page Exportation.

FAQ#