Généré avec des idées et des aperçus de 9 sources

img6

img7

img8

img9

img10

img11

Introduction

  • YOLO (You Only Look Once) est un algorithme de vision par ordinateur qui permet la détection d'objets en temps réel. La combinaison de la détection et de la segmentation dans YOLO a de nombreuses applications, notamment la détection d'objets pour localiser les objets et la segmentation d'instances pour délimiter les formes exactes des objets.

  • YOLO est capable de combiner la détection et la segmentation en utilisant différentes têtes dans le réseau neuronal, par exemple, YOLOv8 qui peut effectuer ces deux tâches. Toutefois, certaines configurations et ajustements sont nécessaires pour optimiser la performance afin de s'assurer que les deux fonctions sont bien prises en charge.

  • Il est possible d'entraîner un modèle YOLO pour accomplir ces deux tâches en même temps. Cela nécessite un prétraitement des données d'entraînement pour contenir à la fois des Annotations de détection et de segmentation, souvent réalisées avec des outils comme JSON2YOLO pour le formatage des données.

  • Bien que YOLO soit reconnu pour sa rapidité et son efficacité, combiner la détection et la segmentation peut nécessiter des ajustements supplémentaires en termes de réglages des Hyperparamètres et de la fonction de perte pour obtenir des résultats optimaux.

  • Le modèle YOLO11 est un modèle avancé qui supporte la détection et dispose de fonctionnalités de segmentation efficaces lorsqu'il est correctement configuré. Entraîné sur des ensembles de données tels que COCO, il offre des performances robustes dans plusieurs tâches de vision par ordinateur.

Principe de YOLO [1]

  • YOLO: Acronyme de You Only Look Once, une méthodologie pour la détection d'objets efficace.

  • Fonctionnement: L'algorithme divise l'image en une grille et attribue chaque cellule à la détection d'un ou plusieurs objets.

  • Détection: Capacité de localiser les objets avec des boîtes englobantes précisant les coordonnées.

  • Segmentation: Ajoute la capacité de déterminer la forme exacte des objets via des masques.

  • Rapidité: YOLO est célèbre pour sa rapidité et son application en temps réel, rendant possible la détection et la segmentation à des vitesses élevées.

Entraînement et Configuration [2]

  • Préparation des Données: Convertir les labels d'annotation pour qu'ils soient compatibles avec le format YOLO.

  • Modèles Préentraînés: Utilisation de POCO ou d'autres ensembles de données communs pour optimiser le modèle.

  • Entrée de Données: Ajustement du modèle pour gérer à la fois la détection et la segmentation simultanément.

  • Validation: Prévoir l'utilisation du modèle pour assurer l'exactitude sur de nouveaux ensembles d'images.

  • Ajustements: Modification des hyperparamètres pour optimiser la précision et éviter la sous-performance.

img6

img7

img8

Applications en Vision par Ordinateur [1]

  • Véhicules Autonomes: YOLO est utilisé pour la Détection d'obstacles et le guidage des véhicules.

  • Sécurité: Surveillance en temps réel et Reconnaissance des visages ou objets suspects.

  • Commerce de Détail: Gestion automatisée des stocks et surveillance des rayons.

  • Ville Intelligente: Identification des plaques d'immatriculation pour la gestion du trafic.

  • Accessibilité: Aide aux malvoyants en identifiant des objets et fournissant des descriptions audio.

img6

img7

img8

Avantages de YOLO pour la Segmentation [2]

  • Précision: Offre une segmentation précise au pixel près, importante pour des applications critiques.

  • Performance en Temps Réel: YOLO est capable de traitement rapide pour usage immédiat.

  • Flexibilité: Peut être utilisé pour divers objets grâce à des modèles préentraînés.

  • Polyvalence: Compatible avec de nombreux formats d'exportation et environnements.

  • Intégration Simple: Fonctionne avec des interfaces utilisateur comme Ultralytics HUB.

Conseils de Performance [3]

  • Optimisation: Tester et ajuster les hyperparamètres pour maximiser le rendement.

  • Annotation Correcte: Assurer que les données d'entraînement sont bien étiquetées et formatées.

  • Exploitation des Ressources: Utiliser des ressources de calcul adéquates pour l'entraînement et l'exécution.

  • Surveillance Continue: Valider les performances régulièrement pour ajuster au besoin.

  • Utiliser JSON2YOLO: Pour faciliter la conversion des données et formatage.

Vidéos associées

<br><br>

<div class="-md-ext-youtube-widget"> { "title": "Auto Image Segmentation using YOLO11 and SAM2", "link": "https://www.youtube.com/watch?v=Kw_MxlwP-gg&pp=0gcJCdgAo7VqN5tD", "channel": { "name": ""}, "published_date": "Oct 14, 2024", "length": "11:32" }</div>

<div class="-md-ext-youtube-widget"> { "title": "Convert detection data to segmentation with Ultralytics YOLO ...", "link": "https://www.youtube.com/watch?v=xcFN55DZoiI", "channel": { "name": ""}, "published_date": "May 25, 2023", "length": "6:40" }</div>

<div class="-md-ext-youtube-widget"> { "title": "YOLO-NAS + SAM Image Segmentation Using Python", "link": "https://www.youtube.com/watch?v=R54CCdq0kJA", "channel": { "name": ""}, "published_date": "May 18, 2023", "length": "15:45" }</div>