Détection d'objets YOLO : révolutionner indéfiniment la vision par ordinateur.

L'avancée la plus impressionnante dans la reconnaissance d'objets et ses domaines associés est la détection d'objets dans une image statique ou un signal vidéo. Les systèmes sont désormais conçus pour comprendre non seulement quels éléments se trouvent dans une image, mais aussi où ils se trouvent. Dans l'approximation des meilleures approches instantanées, YOLO (You Only Look Once) prend la tête du régime de détection et de reconnaissance en temps réel basées sur des images ou des séquences vidéo, avec DASH (Dynamic Adaptive Streaming over HTTP). Dans sa forme la plus basique, cette approche blog Cet article tentera de présenter au lecteur la portée de la détection d'objets YOLO, son application dans diverses industries et de présenter un argument expliquant pourquoi de nombreux passionnés de vision par ordinateur ou d'IA devraient au moins pouvoir la comprendre.

Quelle est la portée et l’importance de YOLO en vision par ordinateur ?

Le nom lui-même dit « You Only Look Once ». Il s’agit d’un algorithme contemporain de détection d’objets qui, comme son nom l’indique, fonctionne en temps réel. Ce qui distingue YOLO des méthodes classiques de détection d’objets uniques, c’est qu’il combine vitesse et précision. En général, la détection d’objets uniques fonctionne par étapes : une image est divisée en sous-régions via des fenêtres coulissantes. YOLO fonctionne intelligemment sur un principe différent : le modèle examine une image dans son intégralité en une seule fois et effectue la localisation ainsi que la classification en un seul passage.

Une brève histoire de YOLO

La première version de YOLO a été lancée en 2016 par Joseph Redmon et son équipe. Elle plaçait la reconnaissance d'une image entière comme objectif principal et entraînait de manière autonome la détection de divers objets à l'aide de cadres de délimitation. Elle a suscité beaucoup d'attention car, même à cette époque, elle était plus rapide que toute autre méthodologie de détection d'objets existante. Au fil des ans, de nombreuses nouvelles versions de YOLO sont apparues (YOLOv4, YOLOv5 et YOLOv8, etc.), chacune effectuant une suppression non maximale basée sur l'IoU avec des architectures de réseaux neuronaux avancées, une meilleure efficacité de détection et des fonctionnalités conviviales accrues pour les utilisateurs développeurs.

L’innovation clé de YOLO est l’efficacité en temps réel qui apporte de la valeur aux domaines d’application à fort impact comme la conduite autonome et la surveillance de sécurité.

Comment fonctionne YOLO

Pour vraiment comprendre la raison de la popularité de YOLO, examinons sa structure et ses fonctionnalités architecturales.

L'architecture YOLO expliquée

L'architecture YOLO consiste en une division de grille en images. Chaque cellule de la grille est chargée d'identifier les objets situés dans ses périphéries. Le centre de chaque grille contiendra un objet. YOLO prédit donc simultanément : la localisation indiquée dans les coordonnées du cadre de délimitation, les probabilités de classe d'objet et la probabilité de présence d'objet indiquée par le score de confiance.

Une telle architecture supprime le besoin de réseaux de proposition de région qui sont obligatoires dans les cadres de détection d'objets traditionnels comme Faster R-CNN, rendant ainsi YOLO beaucoup plus rapide et efficace.

Caractéristiques essentielles de YOLO

Les considérations suivantes illustrent les caractéristiques qui distinguent YOLO des autres :

Détection en temps réel : Selon le modèle, YOLO détecte en temps réel à près de 45 images par seconde. Cela permet une application instantanée.

Haute précision: Tout en réduisant les fausses omissions, YOLO est toujours capable de maintenir une précision stellaire.

Pipeline simple : Au lieu de détecteurs à plusieurs étages, YOLO utilise un seul réseau neuronal convolutif (CNN) dans une unité compacte pour toute détection d'objets.

Comparaison avec d'autres détecteurs d'objets

Par rapport aux techniques conventionnelles, telles que Faster R-CNN ou SSD (Single Shot MultiBox Detector), YOLO est ultra-rapide. Par exemple, même si Faster R-CNN est plus Avec cette connaissance vient le pouvoir de prendre Par rapport à d'autres modèles, son approche par étapes est lente et coûteuse en termes de calcul. Les SSD ont tendance à offrir un terrain d'entente, mais ne parviennent pas à assurer la cohérence à différentes échelles et tailles par rapport à YOLO.

Applications de YOLO

En raison de la flexibilité, de la simplicité et de l’efficacité de YOLO, il peut être appliqué dans presque tous les secteurs.

Santé: – L'algorithme de YOLO est capable de détecter des anomalies telles que des fractures ou des tumeurs dans diverses images telles que des radiographies, des IRM et même des tomodensitogrammes. Il permet aux radiologues de se concentrer sur les cas les plus importants grâce à sa rapidité, essentielle pour établir des diagnostics rapides.

Automobile: – Les panneaux de signalisation, les autres véhicules ainsi que les piétons sont détectés de manière autonome par les voitures autonomes grâce à l'utilisation de YOLO. L'algorithme améliore la détection des objets en temps réel, ce qui permet de prendre des décisions précises lors de la navigation autonome.

Sécurité et surveillance: – YOLO est crucial dans les systèmes de sécurité modernes en raison de sa capacité à appliquer la reconnaissance faciale, la détection des plaques d’immatriculation et la reconnaissance des actions suspectes dans une zone.

Avantages pour les développeurs d'IA

YOLO offre aux développeurs d’IA les avantages suivants :

Facilité d'application : La mise en œuvre est facilitée grâce à des frameworks open source et des modèles pré-entraînés.

Flexibilité: YOLO peut être modifié pour des cas d'utilisation de niche spécifiques ou pour des domaines spécifiques ensembles de données.

La vitesse: Les projets exigeant un traitement rapide de grandes quantités de données sont idéaux en raison de la rapidité et de l'efficacité de YOLO.

Premiers pas avec YOLO

Outils et cadres pour YOLO

Pour démarrer avec YOLO, les éléments suivants sont nécessaires :

• Prise en charge GPU pour la formation sur des ensembles de données plus volumineux ou l'optimisation des temps de détection.
• Python et des bibliothèques importantes comme NumPy, OpenCV.
• Darknet (initialement développé pour YOLO) ou d'autres implémentations basées sur PyTorch comme Ultralytics YOLOv5 sont également nécessaires.

Guide étape par étape pour la mise en œuvre de YOLO

1. Choisissez votre jeu de données : Utilisez des ensembles de données existants tels que COCO ou Pascal VOC, ou un ensemble de données personnalisé dont vous disposez.
2. Installer les frameworks YOLO : Récupérez les versions populaires de YOLO depuis GitHub et utilisez les poids pré-entraînés.
3. Préparez votre base de code : Ajustez le cadre afin que les boîtes d’ancrage et les classes correspondent à votre ensemble de données.
4. Détection d'objet de test : Utilisez des exemples d'images pour visualiser les cadres de délimitation et les scores de classe afin de tester si YOLO fonctionne.
5. Affinez votre modèle : Pour obtenir une précision spécifique à un domaine, recyclez YOLO sur votre domaine spécifique jeu de données.

Problèmes courants rencontrés et leurs solutions

1. Problèmes liés aux données : Assurez-vous que toutes les classes de votre ensemble de données sont représentées de la manière la plus égale possible afin de réduire les biais.
2. Problèmes de précision : Modifiez le seuil de confiance défini pour le modèle.
3. Ressources limitées: Si vous ne disposez pas de ressources locales suffisantes, essayez d’utiliser des GPU basés sur le cloud.

Améliorations de YOLO

YOLO apporte des changements radicaux à chaque itération. Jetez un œil à ceci.

YOLOv5 développé par Ultralytics prend en charge l'utilisation de PyTorch, ce qui permet une intégration plus facile dans de nombreux pipelines d'apprentissage automatique différents. YOLOv8, la dernière version, est encore plus performante en incluant des fonctionnalités telles que l'ajustement des boîtes d'ancrage et la possibilité de prendre en charge des analyses à granularité fine. tâches de détection.

Orientations à venir

1. Déploiement sur Edge AI : Il existe un intérêt croissant pour l’optimisation de YOLO pour les appareils périphériques tels que les smartphones et les drones.
2. Modèles multimodaux plus avancés : Des travaux sont en cours pour soutenir l’intégration du langage naturel avec YOLO, ce qui permettrait d’approfondir la compréhension contextuelle, par exemple en reconnaissant des objets à partir d’instructions orales ou écrites.

Pourquoi il est important d'en savoir plus sur YOLO pour le prochain projet

À mesure que les domaines de la vision par ordinateur progressent, la fusion des interactions entre l'homme et l'IA devient plus transparente. YOLO devient un outil fantastique pour favoriser la croissance dans différents domaines. Son incroyable combinaison de vitesse élevée, de précision et de polyvalence en fait un outil incontournable pour les problèmes de détection d'objets parmi les développeurs et les chercheurs.

Peu importe que vous analysiez des images IRM, construisiez des villes intelligentes ou créiez des expériences de vente au détail sur mesure. YOLO vous permet d'exceller et d'obtenir d'excellents résultats en peu de temps.

Macgence garantit que vos implémentations YOLO fonctionnent de manière optimale en fournissant des données de haute qualité pour l'IA et Formation sur le modèle ML. Commencez à expérimenter dès maintenant si vous êtes prêt à intégrer YOLO dans vos projets. Le champ d'application est illimité.

FAQ

Blogue précédent

Blogue suivant