Link to this sectionConfiguration#
Les paramètres et hyperparamètres de YOLO jouent un rôle essentiel dans la performance, la vitesse et la précision du modèle. Ces paramètres peuvent affecter le comportement du modèle à diverses étapes, notamment l'entraînement, la validation et la prédiction.
Watch: Mastering Ultralytics YOLO: Configuration
Les commandes Ultralytics utilisent la syntaxe suivante :
Exemple
yolo TASK MODE ARGSOù :
TASK(optionnel) est l'un de (detect, segment, semantic, classify, pose, obb)MODE(requis) est l'un de (train, val, predict, export, track, benchmark)ARGS(optionnel) sont des pairesarg=valuecommeimgsz=640qui remplacent les valeurs par défaut.
Default ARG values are defined on this page and come from the cfg/default.yaml file.
Link to this sectionTâches#
Les modèles Ultralytics YOLO peuvent effectuer diverses tâches de vision par ordinateur, notamment :
- Detect : La détection d'objets identifie et localise des objets dans une image ou une vidéo.
- Segment : La segmentation d'instance divise une image ou une vidéo en zones correspondant à différents objets ou classes.
- Segmentation sémantique (
semantic) : La segmentation sémantique attribue une étiquette de classe à chaque pixel d'une image pour une compréhension dense de la scène. - Classify : La classification d'images prédit l'étiquette de classe d'une image d'entrée.
- Pose : L'estimation de pose identifie des objets et estime leurs points clés dans une image ou une vidéo.
- OBB : Les boîtes englobantes orientées utilisent des boîtes tournées, adaptées à l'imagerie satellite ou médicale.
| Argument | Défaut | Description |
|---|---|---|
task | 'detect' | Spécifie la tâche YOLO : detect pour la détection d'objets, segment pour la segmentation d'instance, semantic pour la segmentation sémantique, classify pour la classification, pose pour l'estimation de pose et obb pour les boîtes englobantes orientées. Chaque tâche est adaptée à des sorties et problèmes spécifiques dans l'analyse d'images et de vidéos. |
Link to this sectionModes#
Les modèles Ultralytics YOLO fonctionnent selon différents modes, chacun conçu pour une étape spécifique du cycle de vie du modèle :
- Train : Entraîne un modèle YOLO sur un jeu de données personnalisé.
- Val : Valide un modèle YOLO entraîné.
- Predict : Utilise un modèle YOLO entraîné pour faire des prédictions sur de nouvelles images ou vidéos.
- Export : Exporte un modèle YOLO pour le déploiement.
- Track : Suit des objets en temps réel en utilisant un modèle YOLO.
- Benchmark : Évalue la vitesse et la précision des exportations YOLO (ONNX, TensorRT, etc.).
| Argument | Défaut | Description |
|---|---|---|
mode | 'train' | Spécifie le mode de fonctionnement du modèle YOLO : train pour l'entraînement du modèle, val pour la validation, predict pour l'inférence, export pour la conversion vers des formats de déploiement, track pour le suivi d'objets et benchmark pour l'évaluation des performances. Chaque mode prend en charge différentes étapes, du développement au déploiement. |
Link to this sectionParamètres d'entraînement#
Les paramètres d'entraînement pour les modèles YOLO incluent des hyperparamètres et des configurations qui affectent la performance, la vitesse et la précision du modèle. Les paramètres clés comprennent la taille de lot, le taux d'apprentissage, le momentum et la décroissance du poids. Le choix de l'optimiseur, de la fonction de perte et la composition du jeu de données ont également un impact sur l'entraînement. Le réglage et l'expérimentation sont cruciaux pour une performance optimale. Pour plus de détails, consulte la fonction de point d'entrée Ultralytics.
| Argument | Type | Défaut | Description |
|---|---|---|---|
model | str | None | Spécifie le fichier de modèle pour l'entraînement. Accepte un chemin vers soit un modèle pré-entraîné .pt, soit un fichier de configuration .yaml. Essentiel pour définir la structure du modèle ou initialiser les poids. |
data | str | None | Chemin vers le fichier de configuration du jeu de données (par ex. coco8.yaml). Ce fichier contient des paramètres spécifiques au jeu de données, y compris les chemins vers les données d'entraînement et de validation data, les noms de classe et le nombre de classes. |
epochs | int | 100 | Nombre total d'epochs d'entraînement. Chaque epoch représente un passage complet sur l'ensemble du jeu de données. Ajuster cette valeur peut affecter la durée de l'entraînement et les performances du modèle. |
time | float | None | Temps d'entraînement maximal en heures. S'il est défini, cela remplace l'argument epochs, permettant à l'entraînement de s'arrêter automatiquement après la durée spécifiée. Utile pour les scénarios d'entraînement limités par le temps. |
patience | int | 100 | Nombre d'epochs à attendre sans amélioration des métriques de validation avant d'arrêter prématurément l'entraînement. Aide à prévenir l'overfitting en arrêtant l'entraînement lorsque les performances stagnent. |
batch | int ou float | 16 | Batch size, avec trois modes : défini comme un entier (par ex. batch=16), mode automatique pour 60 % d'utilisation de la mémoire GPU (batch=-1), ou mode automatique avec une fraction d'utilisation spécifiée (batch=0.70). |
imgsz | int | 640 | Taille de l'image cible pour l'entraînement. Les images sont redimensionnées en carrés avec des côtés égaux à la valeur spécifiée (si rect=False), préservant le rapport d'aspect pour les modèles YOLO mais pas RT-DETR. Affecte l'accuracy et la complexité computationnelle du modèle. |
save | bool | True | Active l'enregistrement des points de contrôle d'entraînement et des poids finaux du modèle. Utile pour reprendre l'entraînement ou pour le model deployment. |
save_period | int | -1 | Fréquence d'enregistrement des points de contrôle du modèle, spécifiée en epochs. Une valeur de -1 désactive cette fonctionnalité. Utile pour enregistrer des modèles intermédiaires pendant de longues sessions d'entraînement. |
cache | bool | False | Active la mise en cache des images du jeu de données en mémoire (True/ram), sur disque (disk), ou la désactive (False). Améliore la vitesse d'entraînement en réduisant les E/S disque au prix d'une utilisation mémoire accrue. |
device | int ou str ou list | None | Spécifie le(s) périphérique(s) de calcul pour l'entraînement : un seul GPU (device=0), plusieurs GPU (device=[0,1]), CPU (device=cpu), MPS pour Apple silicon (device=mps), Huawei Ascend NPU (device=npu ou device=npu:0), ou auto-sélection du GPU le plus inactif (device=-1) ou de plusieurs GPU inactifs (device=[-1,-1]) |
workers | int | 8 | Nombre de threads de travail pour le chargement des données (par RANK en cas d'entraînement multi-GPU). Influence la vitesse de prétraitement des données et leur alimentation dans le modèle, particulièrement utile dans les configurations multi-GPU. |
project | str | None | Nom du répertoire de projet où les sorties d'entraînement sont enregistrées. Permet un stockage organisé des différentes expériences. |
name | str | None | Nom de l'exécution d'entraînement. Utilisé pour créer un sous-répertoire dans le dossier du projet, où les journaux et les sorties d'entraînement sont stockés. |
exist_ok | bool | False | Si True, permet d'écraser un répertoire projet/nom existant. Utile pour l'expérimentation itérative sans avoir besoin d'effacer manuellement les sorties précédentes. |
pretrained | bool ou str | True | Détermine s'il faut commencer l'entraînement à partir de poids pré-entraînés. Peut être une valeur booléenne ou un chemin de chaîne vers les poids à charger. pretrained=False entraîne à partir de poids initialisés aléatoirement tout en conservant l'architecture du modèle. |
optimizer | str | 'auto' | Choix de l'optimiseur pour l'entraînement. Les options incluent SGD, MuSGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp, ou auto pour une sélection automatique basée sur la configuration du modèle. Affecte la vitesse de convergence et la stabilité. |
seed | int | 0 | Définit la graine aléatoire pour l'entraînement, assurant la reproductibilité des résultats à travers les exécutions avec les mêmes configurations. |
deterministic | bool | True | Force l'utilisation d'algorithmes déterministes, assurant la reproductibilité mais peut affecter les performances et la vitesse en raison de la restriction sur les algorithmes non déterministes. |
verbose | bool | True | Active une sortie détaillée pendant l'entraînement, affichant des barres de progression, des métriques par époque et des informations supplémentaires sur l'entraînement dans la console. |
single_cls | bool | False | Traite toutes les classes des jeux de données multi-classes comme une classe unique pendant l'entraînement. Utile pour les tâches de classification binaire ou lorsque l'accent est mis sur la présence d'objets plutôt que sur la classification. |
classes | list[int] | None | Spécifie une liste d'identifiants de classe pour l'entraînement. Utile pour filtrer et se concentrer uniquement sur certaines classes pendant l'entraînement. |
rect | bool | False | Active une stratégie de remplissage minimal : les images d'un lot sont remplies au minimum pour atteindre une taille commune, avec le côté le plus long égal à imgsz. Peut améliorer l'efficacité et la vitesse, mais peut affecter la précision du modèle. |
multi_scale | float | 0.0 | Fait varier aléatoirement imgsz à chaque lot de +/- multi_scale (par exemple 0.25 -> 0.75x à 1.25x), en arrondissant aux multiples du pas du modèle ; 0.0 désactive l'entraînement multi-échelle. |
cos_lr | bool | False | Utilise un planificateur de learning rate cosinus, ajustant le taux d'apprentissage selon une courbe cosinus au fil des époques. Aide à gérer le taux d'apprentissage pour une meilleure convergence. |
close_mosaic | int | 10 | Désactive la data augmentation mosaïque lors des N dernières époques pour stabiliser l'entraînement avant la fin. Une valeur de 0 désactive cette fonctionnalité. |
resume | bool | False | Reprend l'entraînement depuis le dernier point de sauvegarde. Charge automatiquement les poids du modèle, l'état de l'optimiseur et le nombre d'époques, continuant l'entraînement sans interruption. |
amp | bool | True | Active l'entraînement en Mixed Precision (AMP) automatique, réduisant l'utilisation de la mémoire et accélérant potentiellement l'entraînement avec un impact minimal sur la précision. |
fraction | float | 1.0 | Spécifie la fraction du jeu de données à utiliser pour l'entraînement. Permet de s'entraîner sur un sous-ensemble du jeu de données complet, utile pour des expériences ou lorsque les ressources sont limitées. |
profile | bool | False | Active le profilage des vitesses ONNX et TensorRT pendant l'entraînement, utile pour optimiser le déploiement du modèle. |
freeze | int ou list | None | Gèle les N premières couches du modèle ou les couches spécifiées par index, réduisant le nombre de paramètres entraînables. Utile pour le réglage fin ou le transfer learning. |
lr0 | float | 0.01 | Taux d'apprentissage initial (par exemple SGD=1E-2, Adam=1E-3). Ajuster cette valeur est crucial pour le processus d'optimisation, influençant la rapidité avec laquelle les poids du modèle sont mis à jour. |
lrf | float | 0.01 | Taux d'apprentissage final en tant que fraction du taux initial = (lr0 * lrf), utilisé conjointement avec des planificateurs pour ajuster le taux d'apprentissage au fil du temps. |
momentum | float | 0.937 | Facteur de momentum pour SGD ou beta1 pour les Adam optimizers, influençant l'incorporation des gradients passés dans la mise à jour actuelle. |
weight_decay | float | 0.0005 | Terme de regularization L2, pénalisant les poids importants pour prévenir le surapprentissage. |
warmup_epochs | float | 3.0 | Nombre d'époques pour l'échauffement du taux d'apprentissage, augmentant progressivement le taux d'apprentissage d'une valeur faible vers le taux initial pour stabiliser l'entraînement dès le début. |
warmup_momentum | float | 0.8 | Momentum initial pour la phase d'échauffement, s'ajustant progressivement au momentum défini pendant la période d'échauffement. |
warmup_bias_lr | float | 0.1 | Taux d'apprentissage pour les paramètres de biais pendant la phase d'échauffement, aidant à stabiliser l'entraînement du modèle lors des premières époques. |
box | float | 7.5 | Poids de la composante de perte de boîte dans la loss function, influençant l'accent mis sur la prédiction précise des coordonnées des bounding box. |
cls | float | 0.5 | Poids de la perte de classification dans la fonction de perte totale, affectant l'importance de la prédiction correcte de la classe par rapport aux autres composantes. |
cls_pw | float | 0.0 | Puissance pour la pondération des classes afin de gérer le déséquilibre des classes en utilisant la fréquence inverse des classes. 0.0 désactive la pondération des classes, 1.0 applique une pondération inverse complète. Les valeurs entre 0 et 1 fournissent une pondération partielle. |
dfl | float | 1.5 | Poids de la distribution focal loss, utilisée dans certaines versions de YOLO pour une classification plus fine. |
pose | float | 12.0 | Poids de la perte de pose dans les modèles entraînés pour l'estimation de pose, influençant l'accent mis sur la prédiction précise des points clés de la pose. |
kobj | float | 1.0 | Poids de la perte de présence d'objet de point clé dans les modèles d'estimation de pose, équilibrant la confiance de détection avec la précision de la pose. |
rle | float | 1.0 | Poids de la perte d'estimation de log-vraisemblance résiduelle dans les modèles d'estimation de pose, affectant la précision de la localisation des points clés. |
angle | float | 1.0 | Poids de la perte d'angle dans les modèles OBB, affectant la précision des prédictions d'angle des boîtes englobantes orientées. |
nbs | int | 64 | Taille de lot nominale pour la normalisation de la perte. |
overlap_mask | bool | True | Détermine si les masques d'objets doivent être fusionnés en un seul masque pour l'entraînement, ou conservés séparément pour chaque objet. En cas de chevauchement, le plus petit masque est superposé au plus grand lors de la fusion. |
mask_ratio | int | 4 | Ratio de sous-échantillonnage pour les masques de segmentation, affectant la résolution des masques utilisés pendant l'entraînement. |
dropout | float | 0.0 | Taux de dropout pour la régularisation dans les tâches de classification, empêchant le surapprentissage en omettant aléatoirement des unités pendant l'entraînement. |
val | bool | True | Active la validation pendant l'entraînement, permettant une évaluation périodique des performances du modèle sur un jeu de données distinct. |
plots | bool | True | Génère et enregistre des graphiques des métriques d'entraînement et de validation, ainsi que des exemples de prédiction, fournissant des aperçus visuels sur les performances du modèle et la progression de l'apprentissage. |
compile | bool ou str | False | Active la compilation de graphe torch.compile de PyTorch 2.x avec backend='inductor'. Accepte True → "default", False → désactive, ou un mode chaîne tel que "default", "reduce-overhead", "max-autotune-no-cudagraphs". Revient au mode eager avec un avertissement si non pris en charge. |
max_det | int | 300 | Spécifie le nombre maximal d'objets conservés pendant la phase de validation de l'entraînement. |
Note sur les paramètres de taille de lot
L'argument batch offre trois options de configuration :
- Taille de lot fixe : Spécifie le nombre d'images par lot avec un entier (par ex.
batch=16). - Mode Auto (60% mémoire GPU) : Utilise
batch=-1pour un ajustement automatique à environ 60% de l'utilisation de la mémoire CUDA. - Mode Auto avec fraction d'utilisation : Définit une fraction (par ex.
batch=0.70) pour ajuster selon une utilisation spécifiée de la mémoire GPU.
Link to this sectionParamètres de prédiction#
Les paramètres de prédiction pour les modèles YOLO incluent des hyperparamètres et des configurations qui influencent la performance, la vitesse et la précision pendant l'inférence. Les paramètres clés incluent le seuil de confiance, le seuil de Non-Maximum Suppression (NMS) et le nombre de classes. La taille des données d'entrée, le format et les fonctionnalités supplémentaires comme les masques affectent également les prédictions. Le réglage de ces paramètres est essentiel pour une performance optimale.
Arguments d'inférence :
| Argument | Type | Défaut | Description |
|---|---|---|---|
source | str ou int ou None | None | Spécifie la source de données pour l'inférence. Peut être un chemin d'image, un fichier vidéo, un répertoire, une URL ou un identifiant d'appareil pour des flux en direct. Si omis, un avertissement est enregistré et le modèle revient aux ressources de démonstration intégrées (ultralytics/assets, ou une URL de démonstration pour OBB). Prend en charge une large gamme de formats et de sources, permettant une application flexible sur différents types d'entrées. |
conf | float | 0.25 | Définit le seuil de confiance minimum pour les détections. Les objets détectés avec une confiance inférieure à ce seuil seront ignorés. Ajuster cette valeur peut aider à réduire les faux positifs. |
iou | float | 0.7 | Seuil d'Intersection Over Union (IoU) pour la Non-Maximum Suppression (NMS). Des valeurs plus faibles entraînent moins de détections en éliminant les boîtes qui se chevauchent, utile pour réduire les doublons. |
imgsz | int ou tuple | 640 | Letterbox target. An integer gives a square N×N; a tuple gives (height, width). With rect=True, the actual tensor may be smaller than this target due to minimum-rectangle padding. Use rect=False for a fixed size. See Fixed shape vs minimum rectangle. |
rect | bool | True | Si True, utilise le remplissage minimum-rectangle si possible (lot de même forme et backend pris en charge). Si False, remplit toujours jusqu'au imgsz complet. Voir Forme fixe vs rectangle minimum. |
half | bool | False | Active l'inférence en demi-précision (FP16), ce qui peut accélérer l'inférence du modèle sur les GPU pris en charge avec un impact minimal sur la précision. |
device | str | None | Spécifie le périphérique pour l'inférence (par ex. cpu, cuda:0, 0, npu ou npu:0). Permet aux utilisateurs de choisir entre le CPU, un GPU spécifique, le NPU Huawei Ascend ou d'autres dispositifs de calcul pour l'exécution du modèle. |
batch | int | 1 | Spécifie la taille du lot pour l'inférence (fonctionne uniquement lorsque la source est un répertoire, un fichier vidéo ou un fichier .txt). Une taille de lot plus grande peut offrir un débit plus élevé, raccourcissant le temps total nécessaire à l'inférence. |
max_det | int | 300 | Nombre maximum de détections autorisées par image. Limite le nombre total d'objets que le modèle peut détecter en une seule inférence, évitant des sorties excessives dans les scènes denses. |
vid_stride | int | 1 | Pas d'image pour les entrées vidéo. Permet de sauter des images dans les vidéos pour accélérer le traitement au prix de la résolution temporelle. Une valeur de 1 traite chaque image, des valeurs plus élevées sautent des images. |
stream_buffer | bool | False | Détermine s'il faut mettre en file d'attente les images entrantes pour les flux vidéo. Si False, les anciennes images sont supprimées pour accueillir les nouvelles (optimisé pour les applications en temps réel). Si True, met en file d'attente les nouvelles images dans un tampon, garantissant qu'aucune image n'est sautée, mais causera une latence si les FPS d'inférence sont inférieurs aux FPS du flux. |
visualize | bool | False | Active la visualisation des caractéristiques du modèle pendant l'inférence, offrant un aperçu de ce que le modèle "voit". Utile pour le débogage et l'interprétation du modèle. |
augment | bool | False | Active l'augmentation au moment du test (TTA) pour les prédictions, améliorant potentiellement la robustesse de la détection au prix de la vitesse d'inférence. |
agnostic_nms | bool | False | Active la Non-Maximum Suppression (NMS) agnostique aux classes, qui fusionne les boîtes qui se chevauchent de différentes classes. Utile dans les scénarios de détection multi-classe où le chevauchement des classes est courant. Pour les modèles de bout en bout (YOLO26, YOLOv10), cela empêche uniquement la même détection d'apparaître avec plusieurs étiquettes de classe (doublons IoU=1.0) et n'effectue pas de suppression basée sur le seuil IoU entre des boîtes distinctes. |
classes | list[int] | None | Filtre les prédictions vers un ensemble d'ID de classe. Seules les détections appartenant aux classes spécifiées seront retournées. Utile pour se concentrer sur des objets pertinents dans les tâches de détection multi-classe. |
retina_masks | bool | False | Retourne des masques de segmentation haute résolution. Les masques retournés (masks.data) correspondront à la taille d'image originale si activé. Si désactivé, ils ont la taille d'image utilisée pendant l'inférence. |
embed | list[int] | None | Spécifie les couches à partir desquelles extraire les vecteurs de caractéristiques ou embeddings. Utile pour des tâches en aval comme le clustering ou la recherche de similarité. |
project | str | None | Nom du répertoire du projet où les sorties de prédiction sont enregistrées si save est activé. |
name | str | None | Nom de l'exécution de prédiction. Utilisé pour créer un sous-répertoire dans le dossier du projet, où les sorties de prédiction sont stockées si save est activé. |
stream | bool | False | Active un traitement efficace en mémoire pour les longues vidéos ou de nombreuses images en retournant un générateur d'objets Results au lieu de charger toutes les images en mémoire à la fois. |
verbose | bool | True | Contrôle s'il faut afficher les journaux d'inférence détaillés dans le terminal, fournissant un retour en temps réel sur le processus de prédiction. |
compile | bool ou str | False | Active la compilation de graphe torch.compile de PyTorch 2.x avec backend='inductor'. Accepte True → "default", False → désactive, ou un mode chaîne tel que "default", "reduce-overhead", "max-autotune-no-cudagraphs". Revient au mode eager avec un avertissement si non pris en charge. |
end2end | bool | None | Remplace le mode de bout en bout dans les modèles YOLO qui prennent en charge l'inférence sans NMS (YOLO26, YOLOv10). Le définir sur False te permet d'exécuter la prédiction en utilisant le pipeline NMS traditionnel, te permettant en outre d'utiliser l'argument iou. Voir le Guide de détection de bout en bout pour plus de détails. |
Arguments de visualisation :
| Argument | Type | Défaut | Description |
|---|---|---|---|
show | bool | False | Si True, affiche les images ou vidéos annotées dans une fenêtre. Utile pour un retour visuel immédiat lors du développement ou des tests. |
save | bool | False or True | Active l'enregistrement des images ou vidéos annotées dans des fichiers. Utile pour la documentation, l'analyse approfondie ou le partage des résultats. Par défaut à True lors de l'utilisation de CLI & False lorsqu'utilisé en Python. |
save_frames | bool | False | Lors du traitement de vidéos, enregistre des images individuelles. Utile pour extraire des images spécifiques ou pour une analyse détaillée image par image. |
save_txt | bool | False | Enregistre les résultats de détection dans un fichier texte, en suivant le format [class] [x_center] [y_center] [width] [height] [confidence]. Utile pour l'intégration avec d'autres outils d'analyse. |
save_conf | bool | False | Inclut les scores de confiance dans les fichiers texte enregistrés. Améliore les détails disponibles pour le post-traitement et l'analyse. |
save_crop | bool | False | Enregistre des images recadrées des détections. Utile pour l'augmentation de jeu de données, l'analyse ou la création de jeux de données ciblés pour des objets spécifiques. |
show_labels | bool | True | Affiche les étiquettes pour chaque détection dans la sortie visuelle. Permet une compréhension immédiate des objets détectés. |
show_conf | bool | True | Affiche le score de confiance pour chaque détection à côté de l'étiquette. Donne un aperçu de la certitude du modèle pour chaque détection. |
show_boxes | bool | True | Dessine des boîtes englobantes autour des objets détectés. Essentiel pour l'identification visuelle et la localisation d'objets dans des images ou des trames vidéo. |
line_width | int or None | None | Spécifie l'épaisseur de ligne des boîtes englobantes. Si None, l'épaisseur de ligne est automatiquement ajustée en fonction de la taille de l'image. Offre une personnalisation visuelle pour plus de clarté. |
Link to this sectionParamètres de validation#
Les paramètres de validation pour les modèles YOLO impliquent des hyperparamètres et des configurations pour évaluer la performance sur un jeu de données de validation. Ces paramètres influencent la performance, la vitesse et la précision. Les paramètres courants incluent la taille de lot, la fréquence de validation et les métriques de performance. La taille et la composition du jeu de données de validation, ainsi que la tâche spécifique, affectent également le processus.
| Argument | Type | Défaut | Description |
|---|---|---|---|
data | str | None | Spécifie le chemin vers le fichier de configuration du jeu de données (par ex. coco8.yaml). Ce fichier doit inclure le chemin vers les données de validation. |
imgsz | int | 640 | Définit la taille des images d'entrée. Toutes les images sont redimensionnées à cette dimension avant le traitement. Des tailles plus grandes peuvent améliorer la précision pour les petits objets mais augmentent le temps de calcul. |
batch | int | 16 | Définit le nombre d'images par lot. Des valeurs plus élevées utilisent la mémoire GPU plus efficacement mais nécessitent plus de VRAM. Ajuste selon les ressources matérielles disponibles. |
save_json | bool | False | Si True, enregistre les résultats dans un fichier JSON pour une analyse approfondie, une intégration avec d'autres outils ou une soumission à des serveurs d'évaluation comme COCO. |
conf | float | 0.001 | Définit le seuil de confiance minimum pour les détections. Des valeurs plus faibles augmentent le rappel mais peuvent introduire plus de faux positifs. Utilisé pendant la validation pour calculer les courbes précision-rappel. Par défaut à 0.01 pour la validation OBB afin de réduire l'utilisation de la mémoire. |
iou | float | 0.7 | Définit le seuil d'Intersection Over Union pour la Non-Maximum Suppression. Contrôle l'élimination des détections en double. |
max_det | int | 300 | Limite le nombre maximum de détections par image. Utile dans les scènes denses pour éviter des détections excessives et gérer les ressources informatiques. |
half | bool | False | Active le calcul en demi-précision (FP16), réduisant l'utilisation de la mémoire et augmentant potentiellement la vitesse avec un impact minimal sur la précision. |
device | str | None | Spécifie le périphérique pour la validation (cpu, cuda:0, npu, npu:0, etc.). Lorsque None, sélectionne automatiquement le meilleur périphérique disponible. Plusieurs périphériques CUDA peuvent être spécifiés avec une séparation par virgule. |
dnn | bool | False | Si True, utilise le module DNN d'OpenCV pour l'inférence de modèle ONNX, offrant une alternative aux méthodes d'inférence PyTorch. |
plots | bool | True | Lorsqu'il est défini sur True, génère et enregistre des tracés des prédictions par rapport à la vérité terrain, des matrices de confusion et des courbes PR pour une évaluation visuelle des performances du modèle. |
classes | list[int] | None | Spécifie une liste d'IDs de classes à évaluer. Utile pour filtrer et se concentrer uniquement sur certaines classes lors de l'évaluation. |
rect | bool | True | Si True, utilise l'inférence rectangulaire pour le traitement par lots, réduisant le remplissage et augmentant potentiellement la vitesse et l'efficacité en traitant les images dans leur rapport hauteur/largeur d'origine. |
split | str | 'val' | Détermine la division du jeu de données à utiliser pour la validation (val, test ou train). Permet une flexibilité dans le choix du segment de données pour l'évaluation des performances. |
project | str | None | Nom du répertoire du projet où les sorties de validation sont enregistrées. Aide à organiser les résultats de différentes expériences ou modèles. |
name | str | None | Nom de l'exécution de validation. Utilisé pour créer un sous-répertoire dans le dossier du projet, où les journaux et les sorties de validation sont stockés. |
verbose | bool | True | Si True, affiche des informations détaillées pendant le processus de validation, y compris les métriques par classe, la progression des lots et des informations de débogage supplémentaires. |
save_txt | bool | False | Si True, enregistre les résultats de détection dans des fichiers texte, avec un fichier par image, utile pour une analyse plus approfondie, un post-traitement personnalisé ou l'intégration avec d'autres systèmes. |
save_conf | bool | False | Si True, inclut les valeurs de confiance dans les fichiers texte enregistrés lorsque save_txt est activé, fournissant une sortie plus détaillée pour l'analyse et le filtrage. |
workers | int | 8 | Nombre de threads de travail pour le chargement des données. Des valeurs plus élevées peuvent accélérer le prétraitement des données mais peuvent augmenter l'utilisation du CPU. Définir sur 0 utilise le thread principal, ce qui peut être plus stable dans certains environnements. |
augment | bool | False | Active l'augmentation en temps de test (TTA) pendant la validation, améliorant potentiellement la précision de la détection au prix de la vitesse d'inférence en effectuant l'inférence sur des versions transformées de l'entrée. |
agnostic_nms | bool | False | Active la Non-Maximum Suppression agnostique aux classes, qui fusionne les boîtes qui se chevauchent indépendamment de leur classe prédite. Utile pour les applications axées sur les instances. Pour les modèles de bout en bout (YOLO26, YOLOv10), cela empêche uniquement la même détection d'apparaître avec plusieurs étiquettes de classe (doublons IoU=1.0) et n'effectue pas de suppression basée sur un seuil d'IoU entre des boîtes distinctes. |
single_cls | bool | False | Traite toutes les classes comme une seule classe pendant la validation. Utile pour évaluer les performances du modèle sur des tâches de détection binaire ou lorsque les distinctions de classe ne sont pas importantes. |
visualize | bool | False | Visualise les vérités terrain, les vrais positifs, les faux positifs et les faux négatifs pour chaque image. Utile pour le débogage et l'interprétation du modèle. |
show_labels | bool | True | Affiche les étiquettes de classe dans les visualisations de validation lorsque visualize=True. Définis sur False pour une vue plus claire des correspondances et des erreurs. |
show_conf | bool | True | Affiche les scores de confiance dans les visualisations de validation lorsque visualize=True. Définis sur False pour une vue plus claire des correspondances et des erreurs. |
compile | bool ou str | False | Active la compilation de graphe torch.compile de PyTorch 2.x avec backend='inductor'. Accepte True → "default", False → désactive, ou un mode chaîne tel que "default", "reduce-overhead", "max-autotune-no-cudagraphs". Revient au mode eager avec un avertissement si non pris en charge. |
end2end | bool | None | Outrepasse le mode de bout en bout dans les modèles YOLO qui prennent en charge l'inférence sans NMS (YOLO26, YOLOv10). Le définir sur False te permet d'exécuter la validation en utilisant le pipeline NMS traditionnel, te permettant en outre d'utiliser l'argument iou. |
Un réglage minutieux et l'expérimentation sont cruciaux pour garantir des performances optimales et pour détecter et prévenir le surapprentissage.
Link to this sectionParamètres d'exportation#
Les paramètres d'exportation pour les modèles YOLO incluent des configurations pour enregistrer ou exporter le modèle afin de l'utiliser dans différents environnements. Ces paramètres impactent les performances, la taille et la compatibilité. Les paramètres clés incluent le format de fichier exporté (par ex. ONNX, TensorFlow SavedModel), le périphérique cible (par ex. CPU, GPU) et des fonctionnalités comme les masques. La tâche du modèle et les contraintes de l'environnement de destination affectent également le processus d'exportation.
| Argument | Type | Défaut | Description |
|---|---|---|---|
format | str | 'torchscript' | Format cible pour le modèle exporté, tel que 'onnx', 'torchscript', 'engine' (TensorRT), ou autres. Chaque format permet la compatibilité avec différents environnements de déploiement. |
imgsz | int ou tuple | 640 | Desired image size for the model input. Can be an integer for square images (e.g., 640 for 640×640) or a tuple (height, width) for specific dimensions. |
keras | bool | False | Active l'exportation vers le format Keras pour TensorFlow SavedModel, offrant une compatibilité avec le service TensorFlow et les API. |
optimize | bool | False | Applique l'optimisation pour les appareils mobiles lors de l'exportation vers TorchScript, réduisant potentiellement la taille du modèle et améliorant les performances d'inférence. Non compatible avec le format NCNN ou les périphériques CUDA. Pour DEEPX, active une optimisation du compilateur plus élevée qui réduit la latence d'inférence et augmente le temps de compilation. |
half | bool | False | Active la quantification FP16 (précision moitié), réduisant la taille du modèle et accélérant potentiellement l'inférence sur le matériel pris en charge. Non compatible avec la quantification INT8 ou les exportations CPU uniquement. Disponible uniquement pour certains formats, par ex. ONNX (voir ci-dessous). |
int8 | bool | False | Active la quantification INT8, compressant davantage le modèle et accélérant l'inférence avec une perte de précision minimale, principalement pour les appareils de périphérie. Lorsqu'il est utilisé avec TensorRT, effectue une quantification post-entraînement (PTQ). |
dynamic | bool | False | Autorise des tailles d'entrée dynamiques pour les exportations TorchScript, ONNX, OpenVINO, TensorRT et CoreML, améliorant la flexibilité dans la gestion des dimensions d'image variables. |
simplify | bool | True | Simplifie le graphe du modèle pour les exportations ONNX avec onnxslim, améliorant potentiellement les performances et la compatibilité avec les moteurs d'inférence. |
opset | int | None | Spécifie la version de l'opset ONNX pour la compatibilité avec différents analyseurs et environnements d'exécution ONNX. S'il n'est pas défini, utilise la dernière version prise en charge. |
workspace | float ou None | None | Définit la taille maximale de l'espace de travail en Gio pour les optimisations TensorRT, équilibrant l'utilisation de la mémoire et les performances. Utilise None pour une allocation automatique par TensorRT jusqu'au maximum du périphérique. |
nms | bool | False | Ajoute la Non-Maximum Suppression (NMS) au modèle exporté lorsqu'elle est prise en charge (voir Formats d'exportation), améliorant l'efficacité du post-traitement de détection. Non disponible pour les modèles de bout en bout. |
batch | int | 1 | Spécifie la taille d'inférence par lot du modèle d'exportation ou le nombre maximal d'images que le modèle exporté traitera simultanément en mode predict. Pour les exportations Edge TPU, cela est automatiquement défini sur 1. |
device | str | None | Spécifie le périphérique pour l'exportation : GPU (device=0), CPU (device=cpu), MPS pour Apple silicon (device=mps), Huawei Ascend NPU (device=npu ou device=npu:0), ou DLA pour NVIDIA Jetson (device=dla:0 ou device=dla:1). Les exportations TensorRT utilisent automatiquement le GPU. |
data | str | 'coco8.yaml' | Chemin d'accès au fichier de configuration du jeu de données, essentiel pour le calibrage de la quantification INT8. S'il n'est pas spécifié avec INT8 activé, coco8.yaml sera utilisé comme solution de repli pour le calibrage. |
fraction | float | 1.0 | Spécifie la fraction du jeu de données à utiliser pour le calibrage de la quantification INT8. Permet le calibrage sur un sous-ensemble du jeu de données complet, utile pour des expériences ou lorsque les ressources sont limitées. S'il n'est pas spécifié avec INT8 activé, le jeu de données complet sera utilisé. |
end2end | bool | None | Outrepasse le mode de bout en bout dans les modèles YOLO qui prennent en charge l'inférence sans NMS (YOLO26, YOLOv10). Le définir sur False te permet d'exporter ces modèles pour qu'ils soient compatibles avec le pipeline de post-traitement traditionnel basé sur NMS. Voir le guide de détection de bout en bout pour plus de détails. |
Une configuration réfléchie garantit que le modèle exporté est optimisé pour son cas d'utilisation et fonctionne efficacement dans l'environnement cible.
Link to this sectionParamètres des solutions#
Les paramètres de configuration d'Ultralytics Solutions offrent la flexibilité de personnaliser les modèles pour des tâches telles que le comptage d'objets, la création de cartes thermiques, le suivi d'entraînement, l'analyse de données, le suivi de zone, la gestion de files d'attente et le comptage basé sur les régions. Ces options permettent des ajustements faciles pour des résultats précis et utiles adaptés à des besoins spécifiques.
| Argument | Type | Défaut | Description |
|---|---|---|---|
model | str | None | Chemin d'accès vers un fichier de modèle YOLO d'Ultralytics. |
region | list | '[(20, 400), (1260, 400)]' | Liste de points définissant la région de comptage. |
show_in | bool | True | Indicateur pour contrôler s'il faut afficher les comptages entrants sur le flux vidéo. |
show_out | bool | True | Indicateur pour contrôler s'il faut afficher les comptages sortants sur le flux vidéo. |
analytics_type | str | 'line' | Type de graphique, par ex. line, bar, area ou pie. |
colormap | int | cv2.COLORMAP_DEEPGREEN | Palette de couleurs à utiliser pour la carte de chaleur. |
json_file | str | None | Chemin d'accès au fichier JSON qui contient toutes les données de coordonnées de stationnement. |
up_angle | float | 145.0 | Seuil d'angle pour la posture 'vers le haut'. |
kpts | list[int] | '[6, 8, 10]' | Liste de trois indices de points clés utilisés pour surveiller les exercices physiques. Ces points clés correspondent aux articulations ou parties du corps, comme les épaules, les coudes et les poignets, pour des exercices tels que les pompes, les tractions, les squats et les abdominaux. |
down_angle | int | 90 | Seuil d'angle pour la posture 'vers le bas'. |
blur_ratio | float | 0.5 | Ajuste le pourcentage d'intensité du flou, avec des valeurs dans la plage 0.1 - 1.0. |
crop_dir | str | 'cropped-detections' | Nom du répertoire pour stocker les détections recadrées. |
records | int | 5 | Nombre total de détections pour déclencher un e-mail avec le système d'alarme de sécurité. |
vision_point | tuple[int, int] | (20, 20) | Le point où la vision suivra les objets et dessinera des chemins en utilisant la Solution VisionEye. |
source | str | None | Chemin vers la source d'entrée (vidéo, RTSP, etc.). Utilisable uniquement avec l'interface de ligne de commande (CLI) des Solutions. |
figsize | tuple[int, int] | (12.8, 7.2) | Taille de figure pour les graphiques analytiques tels que les cartes de chaleur ou les graphiques. |
fps | float | 30.0 | Images par seconde utilisées pour les calculs de vitesse. |
max_hist | int | 5 | Points historiques maximum à suivre par objet pour les calculs de vitesse/direction. |
meter_per_pixel | float | 0.05 | Facteur d'échelle utilisé pour convertir la distance en pixels en unités du monde réel. |
max_speed | int | 120 | Limite de vitesse maximale dans les superpositions visuelles (utilisée dans les alertes). |
data | str | 'images' | Chemin vers le répertoire d'images utilisé pour la recherche de similarité. |
imgsz | int | 640 | Taille de l'image d'entrée pour l'inférence du modèle. |
Link to this sectionParamètres d'augmentation#
Les techniques d'augmentation des données sont essentielles pour améliorer la robustesse et les performances du modèle YOLO en introduisant de la variabilité dans les données d'entraînement, aidant le modèle à mieux généraliser aux données non vues. Le tableau suivant présente l'objectif et l'effet de chaque argument d'augmentation :
| Argument | Type | Défaut | Tâches prises en charge | Plage | Description |
|---|---|---|---|---|---|
hsv_h | float | 0.015 | detect, segment, pose, obb, classify | 0.0 - 1.0 | Ajuste la teinte de l'image par une fraction de la roue chromatique, introduisant une variabilité des couleurs. Aide le modèle à généraliser dans différentes conditions d'éclairage. |
hsv_s | float | 0.7 | detect, segment, pose, obb, classify | 0.0 - 1.0 | Alterne la saturation de l'image par une fraction, affectant l'intensité des couleurs. Utile pour simuler différentes conditions environnementales. |
hsv_v | float | 0.4 | detect, segment, pose, obb, classify | 0.0 - 1.0 | Modifie la valeur (luminosité) de l'image par une fraction, aidant le modèle à bien fonctionner dans diverses conditions d'éclairage. |
degrees | float | 0 | detect, segment, pose, obb | 0.0 - 180 | Fait pivoter l'image de manière aléatoire dans la plage de degrés spécifiée, ce qui améliore la capacité du modèle à reconnaître les objets selon diverses orientations. |
translate | float | 0.1 | detect, segment, pose, obb | 0.0 - 1.0 | Translate l'image horizontalement et verticalement d'une fraction de la taille de l'image, ce qui aide à apprendre à détecter des objets partiellement visibles. |
scale | float | 0.5 | detect, segment, pose, obb, classify | 0 - 1 | Met l'image à l'échelle selon un facteur de gain, simulant des objets à différentes distances de la caméra. |
shear | float | 0 | detect, segment, pose, obb | -180 - +180 | Applique un cisaillement à l'image selon un degré spécifié, imitant l'effet d'objets vus sous différents angles. |
perspective | float | 0 | detect, segment, pose, obb | 0.0 - 0.001 | Applique une transformation de perspective aléatoire à l'image, améliorant la capacité du modèle à comprendre les objets dans un espace 3D. |
flipud | float | 0 | detect, segment, pose, obb, classify | 0.0 - 1.0 | Retourne l'image de haut en bas avec la probabilité spécifiée, augmentant la variabilité des données sans affecter les caractéristiques de l'objet. |
fliplr | float | 0.5 | detect, segment, pose, obb, classify | 0.0 - 1.0 | Retourne l'image de gauche à droite avec la probabilité spécifiée, utile pour apprendre des objets symétriques et augmenter la diversité du jeu de données. |
bgr | float | 0 | detect, segment, pose, obb | 0.0 - 1.0 | Inverse les canaux de l'image de RGB à BGR avec la probabilité spécifiée, utile pour augmenter la robustesse face à un ordre de canaux incorrect. |
mosaic | float | 1 | detect, segment, pose, obb | 0.0 - 1.0 | Combine quatre images d'entraînement en une seule, simulant différentes compositions de scènes et interactions entre objets. Très efficace pour la compréhension de scènes complexes. |
mixup | float | 0 | detect, segment, pose, obb | 0.0 - 1.0 | Mélange deux images et leurs étiquettes, créant une image composite. Améliore la capacité du modèle à généraliser en introduisant du bruit dans les étiquettes et de la variabilité visuelle. |
cutmix | float | 0 | detect, segment, pose, obb | 0.0 - 1.0 | Combine des portions de deux images, créant un mélange partiel tout en conservant des régions distinctes. Améliore la robustesse du modèle en créant des scénarios d'occlusion. |
copy_paste | float | 0 | segment | 0.0 - 1.0 | Copie et colle des objets à travers les images pour augmenter le nombre d'instances d'objets. |
copy_paste_mode | str | flip | segment | - | Spécifie la stratégie de copy-paste à utiliser. Les options incluent 'flip' et 'mixup'. |
auto_augment | str | randaugment | classify | - | Applique une politique d'augmentation prédéfinie ('randaugment', 'autoaugment' ou 'augmix') pour améliorer les performances du modèle grâce à la diversité visuelle. |
erasing | float | 0.4 | classify | 0.0 - 1.0 | Efface aléatoirement des régions de l'image pendant l'entraînement pour encourager le modèle à se concentrer sur des caractéristiques moins évidentes. |
augmentations | list | `` | detect, segment, pose, obb | - | Transformations Albumentations personnalisées pour une augmentation de données avancée (API Python uniquement). Accepte une liste d'objets de transformation pour des besoins d'augmentation spécialisés. |
Ajuste ces paramètres pour répondre aux exigences du jeu de données et de la tâche. Expérimenter avec différentes valeurs peut t'aider à trouver la stratégie d'augmentation optimale pour les meilleures performances du modèle.
Link to this sectionParamètres de journalisation, de points de contrôle et de traçage#
La journalisation, les points de contrôle, le traçage et la gestion des fichiers sont importants lors de l'entraînement d'un modèle YOLO :
- Journalisation : Suis la progression du modèle et diagnostique les problèmes en utilisant des bibliothèques comme TensorBoard ou en écrivant dans un fichier.
- Points de contrôle : Enregistre le modèle à intervalles réguliers pour reprendre l'entraînement ou expérimenter avec différentes configurations.
- Traçage : Visualise les performances et la progression de l'entraînement en utilisant des bibliothèques comme Matplotlib ou TensorBoard.
- Gestion des fichiers : Organise les fichiers générés pendant l'entraînement, tels que les points de contrôle, les fichiers journaux et les tracés, pour un accès et une analyse faciles.
Une gestion efficace de ces aspects aide à suivre la progression et facilite le débogage et l'optimisation.
| Argument | Défaut | Description |
|---|---|---|
project | None | Specifies the root directory for saving training runs. If unspecified, runs are saved under runs/<task>. Each run is saved in a separate subdirectory. |
name | None | Définit le nom de l'expérience. S'il n'est pas spécifié, YOLO utilise le nom du mode et l'incrémente pour chaque exécution (par ex. train, train-2) pour éviter d'écraser. |
exist_ok | False | Détermine s'il faut écraser un répertoire d'expérience existant. True permet l'écrasement ; False l'empêche. |
plots | True | Contrôle la génération et l'enregistrement des tracés d'entraînement et de validation. Définis sur True pour créer des tracés comme des courbes de perte, des courbes de précision-rappel et des prédictions d'échantillons pour le suivi visuel des performances. |
save | True | Active l'enregistrement des points de contrôle d'entraînement et des poids finaux du modèle. Définis sur True pour enregistrer les états du modèle périodiquement, permettant la reprise de l'entraînement ou le déploiement du modèle. |
Link to this sectionFichier de configuration personnalisé#
Charge un YAML enregistré pour réutiliser un ensemble complet d'arguments sans les passer en ligne. L'argument cfg remplace les valeurs de default.yaml, tandis que les arguments supplémentaires passés en parallèle gardent la priorité.
| Argument | Défaut | Description |
|---|---|---|
cfg | None | Chemin vers un fichier YAML dont les valeurs remplacent les entrées de default.yaml. Voir Remplacer le fichier de configuration par défaut pour un exemple CLI concret. |
Link to this sectionFAQ#
Link to this sectionComment puis-je améliorer les performances de mon modèle YOLO pendant l'entraînement ?#
Améliore les performances en ajustant les hyperparamètres comme la taille du lot, le taux d'apprentissage, le momentum et la décroissance du poids. Ajuste les paramètres d'augmentation des données, sélectionne le bon optimiseur et utilise des techniques comme l'arrêt précoce ou la précision mixte. Pour plus de détails, voir le guide d'entraînement.
Link to this sectionQuels sont les hyperparamètres clés pour la précision du modèle YOLO ?#
Les hyperparamètres clés affectant la précision incluent :
- Taille du lot (
batch) : Des tailles plus grandes peuvent stabiliser l'entraînement mais nécessitent plus de mémoire. - Taux d'apprentissage (
lr0) : Des taux plus petits offrent des ajustements fins mais une convergence plus lente. - Momentum (
momentum) : Accélère les vecteurs de gradient, atténuant les oscillations. - Taille de l'image (
imgsz) : Des tailles plus grandes améliorent la précision mais augmentent la charge computationnelle.
Ajuste ceux-ci en fonction de ton jeu de données et de ton matériel. Apprends-en plus dans Paramètres d'entraînement.
Link to this sectionComment définir le taux d'apprentissage pour entraîner un modèle YOLO ?#
Le taux d'apprentissage (lr0) est crucial ; commence avec 0.01 pour SGD ou 0.001 pour l'optimiseur Adam. Surveille les métriques et ajuste selon le besoin. Utilise des planificateurs de taux d'apprentissage cosinus (cos_lr) ou un échauffement (warmup_epochs, warmup_momentum). Les détails se trouvent dans le guide d'entraînement.
Link to this sectionQuels sont les paramètres d'inférence par défaut pour les modèles YOLO ?#
Les paramètres par défaut incluent :
- Seuil de confiance (
conf=0.25) : Confiance minimale pour les détections. - Seuil d'IoU (
iou=0.7) : Pour la Non-Maximum Suppression (NMS). - Taille de l'image (
imgsz=640) : Redimensionne les images d'entrée. - Périphérique (
device=None) : Sélectionne CPU, GPU, Apple MPS ou Huawei Ascend NPU (npu).
Pour un aperçu complet, voir Paramètres de prédiction et le guide de prédiction.
Link to this sectionPourquoi utiliser l'entraînement en précision mixte avec les modèles YOLO ?#
L'entraînement en précision mixte (amp=True) réduit l'utilisation de la mémoire et accélère l'entraînement en utilisant FP16 et FP32. C'est bénéfique pour les GPU modernes, permettant des modèles plus grands et des calculs plus rapides sans perte de précision significative. Apprends-en plus dans le guide d'entraînement.