Détection d'objets

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

La sortie d'un détecteur d'objets est un ensemble de boîtes englobantes (bounding boxes) qui entourent 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 où se trouve l'objet ou sa forme précise.

Modèles

Les modèles de détection pré-entraînés YOLO26 sont présentés ici. Les modèles Detect, Segment et Pose sont pré-entraînés sur le jeu de données COCO, tandis que les modèles Classify sont pré-entraînés sur le jeu de données ImageNet.

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

• Les valeurs mAP^val sont pour un modèle unique et une échelle unique sur le jeu de données COCO val2017.
  Reproduis cela avec yolo val detect data=coco.yaml device=0
• Vitesse moyennée sur les images COCO val en utilisant une instance Amazon EC2 P4d.
  Reproduis cela avec yolo val detect data=coco.yaml batch=1 device=0|cpu
• Les valeurs Params et FLOPs sont pour le modèle fusionné après model.fuse(), ce 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.

Entraînement

Entraîne YOLO26n sur le jeu de données COCO8 pendant 100 époques avec 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)

Vois tous les détails du mode train sur la page Train. Les modèles de détection peuvent également être entraînés sur des GPU cloud via la plateforme Ultralytics.

Format de jeu de données

Le format du jeu de données de détection YOLO est détaillé 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 des jeux de données de détection directement sur la plateforme Ultralytics avec des outils d'étiquetage assistés par IA.

Validation

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

Utilise un modèle YOLO26n entraîné pour exécuter 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

Vois tous les détails du mode predict sur la page Predict.

Exportation

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 sont dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format en utilisant l'argument format, par exemple format='onnx' ou format='engine'. Tu peux prédire ou valider directement sur les modèles exportés, par exemple yolo predict model=yolo26n.onnx. Des exemples d'utilisation sont présentés pour ton modèle une fois l'exportation terminée.

Voir les détails complets sur l'export dans la page Export.

FAQ

Puis-je entraîner et déployer des modèles de détection sans coder ?

Oui. La plateforme Ultralytics fournit un flux de travail basé sur le navigateur pour annoter des jeux de données, entraîner des modèles de détection sur des GPU cloud et les déployer vers des points de terminaison d'inférence. Consulte le démarrage rapide de la plateforme pour commencer.

Comment puis-je entraîner un modèle YOLO26 sur mon jeu de données personnalisé ?

L'entraînement d'un modèle YOLO26 sur un jeu de données personnalisé implique quelques étapes :

1. Préparer le jeu de données : Assure-toi que ton jeu de données est au format YOLO. Pour obtenir des conseils, réfère-toi à notre Guide des jeux de données.
2. Charger le modèle : Utilise la bibliothèque Ultralytics YOLO pour charger un modèle pré-entraîné ou créer un nouveau modèle à partir d'un fichier YAML.
3. Entraîner le modèle : Exécute la méthode train en Python ou la commande yolo detect train dans l'interface CLI.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset
model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)

Pour des options de configuration détaillées, visite la page Configuration.

Quels modèles pré-entraînés sont disponibles dans YOLO26 ?

Ultralytics YOLO26 propose divers modèles pré-entraînés pour la détection d'objets, la segmentation et l'estimation de pose. Ces modèles sont pré-entraînés sur le jeu de données COCO ou ImageNet pour les tâches de classification. Voici quelques-uns des modèles disponibles :

• YOLO26n
• YOLO26s
• YOLO26m
• YOLO26l
• YOLO26x

Pour une liste détaillée et des mesures de performance, réfère-toi à la section Modèles.

Comment puis-je valider la précision de mon modèle YOLO entraîné ?

Pour valider la précision de ton modèle YOLO26 entraîné, tu peux utiliser la méthode .val() en Python ou la commande yolo detect val dans l'interface CLI. Cela fournira des métriques comme mAP50-95, mAP50, et plus encore.

from ultralytics import YOLO

# Load the model
model = YOLO("path/to/best.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # mAP50-95

Pour plus de détails sur la validation, visite la page Val.

Vers quels formats puis-je exporter un modèle YOLO26 ?

Ultralytics YOLO26 permet d'exporter des modèles vers divers formats tels que ONNX, TensorRT, CoreML, et plus encore pour assurer la compatibilité entre différentes plateformes et appareils.

from ultralytics import YOLO

# Load the model
model = YOLO("yolo26n.pt")

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

Consulte la liste complète des formats pris en charge et les instructions sur la page Export.

Pourquoi devrais-je utiliser Ultralytics YOLO26 pour la détection d'objets ?

Ultralytics YOLO26 est conçu pour offrir des performances de pointe pour la détection d'objets, la segmentation et l'estimation de pose. Voici quelques avantages clés :

1. Modèles pré-entraînés : Utilise des modèles pré-entraînés sur des jeux de données populaires comme COCO et ImageNet pour un développement plus rapide.
2. Haute précision : Atteint des scores mAP impressionnants, garantissant une détection d'objets fiable.
3. Vitesse : Optimisé pour l'inférence en temps réel, ce qui le rend idéal pour les applications nécessitant un traitement rapide.
4. Flexibilité : Exporte les modèles vers divers formats comme ONNX et TensorRT pour un déploiement sur plusieurs plateformes.

Explore notre Blog pour des cas d'utilisation et des réussites présentant YOLO26 en action.