Assistant scénario▸ 
Apps AI 
Actualités AI 
ultralytics : framework open source de vision par ordinateur et de deep learning
ultralytics : framework open source de vision par ordinateur et de deep learningIntroduction
Ultralytics est un framework open source de vision par ordinateur et d'apprentissage profond, très pratique à utiliser. Il est principalement conçu pour développer et exécuter la série de modèles YOLO, comme YOLOv5, YOLOv8, etc. Cet outil est très couramment utilisé dans les tâches de vision nécessitant une réponse rapide, telles que la détection d'objets, la segmentation d'images et la reconnaissance d'actions.
En termes simples, c'est une boîte à outils qui rend très simple le processus allant de l'entraînement du modèle à son utilisation concrète.
Fonctionnalités principales d'Ultralytics
Prise en charge de plusieurs tâches
Il peut gérer de nombreux types de travaux de vision par ordinateur, notamment :
Trouver des objets : marquer la position des objets.
Découper l'image : extraire précisément le contour des objets.
Reconnaître les actions : identifier la position des articulations d'une personne.
Classifier : déterminer ce qu'est l'image entière.
Recherche inclinée : trouver des éléments orientés en biais, comme des voitures de travers dans des images aériennes.
Flux de développement entièrement couvert
De la préparation des données à l'entraînement du modèle, jusqu'à l'exportation finale pour utilisation, il gère l'ensemble du processus.
Rapide et facile à prendre en main
Opération simple : des commandes de code simples, faciles à apprendre pour les débutants.
Exécution rapide : prend en charge diverses techniques d'accélération, les calculs sont très rapides.
Grande variété de modèles : il existe des grands et des petits modèles, selon que vous ayez besoin de vitesse ou de précision.
Facile à déployer partout
Permet de convertir les modèles en divers formats pour qu'ils s'exécutent sur ordinateur, mobile ou matériel spécialisé.
Scénarios d'application d'ultralytics
Contrôle qualité en usine : détection des défauts des produits, comptage des pièces, lecture de codes — déjà utilisé sur plus de 200 chaînes de production.
Sécurité urbaine : reconnaissance faciale, surveillance des véhicules, détection d'incendies, comptage du trafic.
Robots et voitures : évitement d'obstacles, lecture de la route, reconnaissance des voies.
Médecine et recherche : segmentation de cellules, analyse de radiographies, tests expérimentaux.
Petits appareils : drones, caméras de surveillance, appareils portables — les processeurs classiques peuvent aussi exécuter de petits modèles.
Comment utiliser ultralytics
Ultralytics offre des modes d'utilisation flexibles, que ce soit via du code Python ou la ligne de commande.
Exemple d'utilisation de l'API Python
from ultralytics import YOLO
# 1. 加载一个预训练模型 (例如 YOLOv8 nano)
model = YOLO("yolov8n.pt")
# 2. 在自定义数据集上训练模型
model.train(data="coco.yaml", epochs=100, imgsz=640)
# 3. 对一张图片进行目标检测
results = model("image.jpg")
# 4. 保存结果
results[0].save(filename="result.jpg")Exemple d'outil en ligne de commande (CLI)
# 对图片进行预测 yolo predict model=yolov8n.pt source='path/to/image.jpg' # 开始训练模型 yolo detect train data=coco.yaml model=yolov8n.pt epochs=100
Problèmes courants & pistes de solution
| Problème | Cause / Solution |
|---|---|
pip install ultralytics timeout | Utiliser un miroir national ou télécharger le fichier whl officiel hors ligne. |
| Mémoire GPU insuffisante pendant l'entraînement | Réduire imgsz / passer aux modèles n/s / activer la précision mixte amp=True. |
| Mauvais résultats sur les petits objets | ① Augmenter la résolution d'entrée ; ② Utiliser l'inférence par tuiles yolo predict tile=640 ; ③ Ajouter des échantillons de petits objets dans les données. |
| Identifiants de suivi qui sautent | Augmenter le paramètre tracker=max_age ou passer à BoT-SORT ; maintenir une fréquence de détection ≥ 20 FPS. |
| Latence élevée lors du déploiement sur mobile | Exporter en CoreML / TFLite int8, utiliser le modèle nano, activer l'accélération NPU / Neural Engine. |
