Cet article se penche sur l'algorithme YOLO (You Only Look Once), une m\u00e9thode de d\u00e9tection d'objets tr\u00e8s efficace largement utilis\u00e9e dans des domaines tels que la surveillance, les voitures autonomes et la robotique.<\/p>\n
En utilisant un r\u00e9seau neuronal enti\u00e8rement convolutif, YOLO permet la d\u00e9tection d'objets en temps r\u00e9el, ce qui le rend adapt\u00e9 aux environnements aux ressources limit\u00e9es.<\/p>\n
L'article explore l'\u00e9volution de YOLO \u00e0 travers diff\u00e9rentes versions, mettant en \u00e9vidence des am\u00e9liorations telles que les bo\u00eetes d'ancrage, diff\u00e9rentes architectures CNN et les bo\u00eetes d'ancrage dynamiques.<\/p>\n
Il aborde \u00e9galement les principales mesures d'\u00e9valuation permettant de mesurer les performances du mod\u00e8le de d\u00e9tection d'objets.<\/p>\n
Pour ceux qui recherchent une compr\u00e9hension approfondie des avanc\u00e9es de YOLO, cet article fournit des informations et des exemples pr\u00e9cieux.<\/p>\n
La d\u00e9tection d'objets, t\u00e2che cruciale en vision par ordinateur, implique l'identification et la localisation d'objets dans des images ou des vid\u00e9os. Il joue un r\u00f4le essentiel dans diverses applications telles que la surveillance, les voitures autonomes et la robotique.<\/p>\n
Cependant, il existe plusieurs d\u00e9fis en mati\u00e8re de d\u00e9tection d\u2019objets qui doivent \u00eatre r\u00e9solus. Ces d\u00e9fis incluent la gestion des occultations, les variations d\u2019apparence des objets et la pr\u00e9sence d\u2019arri\u00e8re-plans encombr\u00e9s. De plus, les algorithmes de d\u00e9tection d\u2019objets doivent \u00eatre efficaces et pr\u00e9cis pour r\u00e9pondre aux exigences des applications en temps r\u00e9el.<\/p>\n
Malgr\u00e9 ces d\u00e9fis, les applications de la d\u00e9tection d\u2019objets sont vastes et continuent de se d\u00e9velopper. De l\u2019am\u00e9lioration des syst\u00e8mes de s\u00e9curit\u00e9 \u00e0 la mise en place de v\u00e9hicules autonomes, la technologie de d\u00e9tection d\u2019objets a le potentiel de r\u00e9volutionner diverses industries.<\/p>\n
Lorsque l\u2019on compare les algorithmes de d\u00e9tection d\u2019objets, une distinction importante \u00e0 prendre en compte est le choix entre les m\u00e9thodes de d\u00e9tection \u00e0 un ou deux coups.<\/p>\n
Les algorithmes de d\u00e9tection d'objets \u00e0 prise unique, tels que YOLO, offrent l'avantage de l'efficacit\u00e9 informatique en effectuant des pr\u00e9dictions en un seul passage de l'image d'entr\u00e9e. Cela les rend adapt\u00e9s aux applications en temps r\u00e9el et aux environnements aux ressources limit\u00e9es. Cependant, les m\u00e9thodes de d\u00e9tection \u00e0 un seul coup peuvent avoir des limites dans la d\u00e9tection pr\u00e9cise des petits objets et peuvent \u00eatre globalement moins pr\u00e9cises que les m\u00e9thodes de d\u00e9tection \u00e0 deux coups.<\/p>\n
Les m\u00e9thodes de d\u00e9tection d'objets \u00e0 deux plans, en revanche, impliquent deux passes de l'image d'entr\u00e9e, la premi\u00e8re passe g\u00e9n\u00e9rant des propositions d'objets et la seconde passe affinant ces propositions. Bien qu\u2019ils offrent une plus grande pr\u00e9cision, ils sont plus co\u00fbteux en termes de calcul et peuvent ne pas convenir aux applications en temps r\u00e9el.<\/p>\n
Le choix entre la d\u00e9tection d'objets \u00e0 un ou deux coups d\u00e9pend des exigences et des contraintes sp\u00e9cifiques de l'application, de l'\u00e9quilibre entre la pr\u00e9cision et l'efficacit\u00e9 des calculs.<\/p>\n
Un aspect important \u00e0 prendre en compte lors de l\u2019\u00e9valuation des mod\u00e8les de d\u00e9tection d\u2019objets est le choix des indicateurs cl\u00e9s pour mesurer leurs performances. L'\u00e9valuation des mod\u00e8les de d\u00e9tection d'objets pose plusieurs d\u00e9fis, notamment la n\u00e9cessit\u00e9 d'une d\u00e9tection pr\u00e9cise et efficace des objets dans divers environnements et la capacit\u00e9 \u00e0 g\u00e9rer une large gamme de tailles d'objets et d'occlusions.<\/p>\n
Pour relever ces d\u00e9fis, diff\u00e9rentes m\u00e9triques d'\u00e9valuation ont \u00e9t\u00e9 propos\u00e9es pour les algorithmes de d\u00e9tection d'objets. Une m\u00e9trique couramment utilis\u00e9e est l\u2019Intersection sur Union (IoU), qui mesure la pr\u00e9cision de localisation des cadres de d\u00e9limitation pr\u00e9dits. La pr\u00e9cision moyenne (AP) est une autre mesure importante qui fournit une mesure des performances du mod\u00e8le dans diff\u00e9rentes classes. La pr\u00e9cision et le rappel sont \u00e9galement couramment utilis\u00e9s pour \u00e9valuer les performances d\u00e9cisionnelles des mod\u00e8les de d\u00e9tection d'objets.<\/p>\n
L'\u00e9volution de YOLO, un algorithme largement utilis\u00e9 pour la d\u00e9tection d'objets, se voit \u00e0 travers ses versions et ses am\u00e9liorations continues. YOLO v8, la version confirm\u00e9e, devrait apporter de nouvelles fonctionnalit\u00e9s et des performances am\u00e9lior\u00e9es. Avec une nouvelle API et la prise en charge des versions pr\u00e9c\u00e9dentes de YOLO, il vise \u00e0 am\u00e9liorer les capacit\u00e9s de l'algorithme.<\/p>\n
Dans une analyse comparative avec d\u2019autres algorithmes de d\u00e9tection d\u2019objets, YOLO a montr\u00e9 ses atouts en termes de performances et d\u2019efficacit\u00e9 en temps r\u00e9el. Cependant, il a g\u00e9n\u00e9ralement \u00e9t\u00e9 consid\u00e9r\u00e9 comme moins pr\u00e9cis que les d\u00e9tecteurs \u00e0 deux coups. YOLO v8 devrait rem\u00e9dier \u00e0 ces limitations et r\u00e9duire davantage l'\u00e9cart de pr\u00e9cision avec ses homologues.<\/p>\n
Avec la promesse de meilleures performances et de nouvelles fonctionnalit\u00e9s, YOLO v8 est en passe de consolider sa position en tant qu'algorithme leader pour la d\u00e9tection d'objets.<\/p>\n
YOLO V2 a r\u00e9volutionn\u00e9 la d\u00e9tection d'objets en int\u00e9grant des bo\u00eetes d'ancrage et en introduisant une nouvelle fonction de perte. Cette avanc\u00e9e a apport\u00e9 des am\u00e9liorations significatives aux performances de l\u2019algorithme YOLO.<\/p>\n
Examinons de plus pr\u00e8s l'impact de ces changements\u00a0:<\/p>\n
Avantages des bo\u00eetes d'ancrage :<\/p>\n
Impact de la fonction de perte sur les performances de YOLO v2\u00a0:<\/p>\n
L'algorithme YOLO V3 a introduit une architecture de r\u00e9seau neuronal convolutif (CNN) et des r\u00e9seaux pyramidaux de fonctionnalit\u00e9s, apportant des avanc\u00e9es significatives \u00e0 la d\u00e9tection d'objets. YOLO V3 a trouv\u00e9 des applications g\u00e9n\u00e9ralis\u00e9es dans la d\u00e9tection d'objets en temps r\u00e9el en raison de son efficacit\u00e9 et de sa pr\u00e9cision. Il surpasse les versions pr\u00e9c\u00e9dentes de YOLO et d'autres algorithmes de d\u00e9tection d'objets en termes de vitesse et de performances de d\u00e9tection.<\/p>\n
L'architecture CNN de YOLO V3 permet au r\u00e9seau d'apprendre des fonctionnalit\u00e9s complexes et de faire des pr\u00e9dictions \u00e0 plusieurs \u00e9chelles. Cela permet \u00e0 YOLO V3 de d\u00e9tecter avec pr\u00e9cision des objets de diff\u00e9rentes tailles.<\/p>\n
Les r\u00e9seaux pyramidaux de fonctionnalit\u00e9s am\u00e9liorent encore les capacit\u00e9s de d\u00e9tection en incorporant des fonctionnalit\u00e9s multi-\u00e9chelles provenant de diff\u00e9rentes couches du r\u00e9seau. Cela permet \u00e0 YOLO V3 de g\u00e9rer plus efficacement des objets \u00e0 diff\u00e9rentes \u00e9chelles et formats.<\/p>\n
Avec la sortie de YOLO v4 en 2020, les versions suivantes (v5, v6 et v7) ont apport\u00e9 des avanc\u00e9es significatives et les derniers d\u00e9veloppements \u00e0 l'algorithme YOLO pour la d\u00e9tection d'objets. Ces avanc\u00e9es ont eu un impact profond sur les applications en temps r\u00e9el, r\u00e9volutionnant le domaine de la vision par ordinateur.<\/p>\n
Voici quelques points saillants\u00a0:<\/p>\n
Ces progr\u00e8s dans la d\u00e9tection d'objets ont ouvert de nouvelles possibilit\u00e9s pour un large \u00e9ventail d'applications, notamment la surveillance, les v\u00e9hicules autonomes et la robotique, offrant aux utilisateurs des capacit\u00e9s avanc\u00e9es de d\u00e9tection d'objets en temps r\u00e9el.<\/p>\n
En termes de pr\u00e9cision et d'efficacit\u00e9 de calcul, YOLO (You Only Look Once) se compare favorablement aux autres algorithmes de d\u00e9tection d'objets. Par rapport \u00e0 Faster R-CNN, YOLO offre une vitesse d'inf\u00e9rence plus rapide gr\u00e2ce \u00e0 son approche de d\u00e9tection en un seul coup.<\/p>\n
Cependant, YOLO peut sacrifier une certaine pr\u00e9cision, notamment dans la d\u00e9tection de petits objets. Ce compromis entre pr\u00e9cision et vitesse est une consid\u00e9ration courante dans les algorithmes de d\u00e9tection d\u2019objets.<\/p>\n
En fin de compte, le choix entre YOLO et d\u2019autres algorithmes d\u00e9pend des exigences et contraintes sp\u00e9cifiques de l\u2019application.<\/p>\n
Les avantages de la d\u00e9tection d'objets en un seul coup incluent\u00a0:<\/p>\n
La d\u00e9tection d'objets \u00e0 prise unique utilise un seul passage de l'image d'entr\u00e9e, ce qui la rend efficace sur le plan informatique. Cependant, il peut \u00eatre moins pr\u00e9cis, notamment pour d\u00e9tecter de petits objets.<\/p>\n
En revanche, la d\u00e9tection d'objets \u00e0 deux tirs offre\u00a0:<\/p>\n
La d\u00e9tection d'objets \u00e0 deux tirs est plus adapt\u00e9e aux applications o\u00f9 la pr\u00e9cision est prioritaire sur les performances en temps r\u00e9el.<\/p>\n
Le choix entre les deux d\u00e9pend d\u2019exigences et de contraintes sp\u00e9cifiques.<\/p>\n
La m\u00e9trique d'intersection sur union (IoU) est couramment utilis\u00e9e pour \u00e9valuer la pr\u00e9cision des mod\u00e8les de d\u00e9tection d'objets. Il mesure le chevauchement entre la bo\u00eete englobante pr\u00e9dite et la bo\u00eete englobante de v\u00e9rit\u00e9 terrain d'un objet. Une IoU \u00e9lev\u00e9e indique une meilleure pr\u00e9cision de localisation.<\/p>\n
En plus d'\u00e9valuer les mod\u00e8les de d\u00e9tection d'objets, la m\u00e9trique IoU a des applications dans d'autres domaines tels que la segmentation et le suivi d'images.<\/p>\n
Pour am\u00e9liorer la pr\u00e9cision des mod\u00e8les de d\u00e9tection d'objets, des techniques telles que la suppression non maximale et le raffinement de la bo\u00eete d'ancrage peuvent \u00eatre utilis\u00e9es sur la base de la m\u00e9trique IoU.<\/p>\n
Les principales diff\u00e9rences et am\u00e9liorations introduites dans chaque version de YOLO (v2, v3, v4, v5, v6, v7) sont significatives.<\/p>\n
YOLO v2 incorporait des bo\u00eetes d'ancrage et une nouvelle fonction de perte.<\/p>\n
YOLO v3 a introduit une nouvelle architecture CNN, des bo\u00eetes d'ancrage avec diff\u00e9rentes \u00e9chelles et rapports d'aspect, ainsi que des r\u00e9seaux pyramidaux de fonctionnalit\u00e9s (FPN).<\/p>\n
YOLO v4 a introduit une nouvelle architecture CNN, g\u00e9n\u00e9r\u00e9 des bo\u00eetes d'ancrage \u00e0 l'aide du clustering k-means et utilis\u00e9 la perte GHM.<\/p>\n
YOLO v5 utilisait l'architecture EfficientDet, des bo\u00eetes d'ancrage dynamiques et le pooling pyramidal spatial (SPP).<\/p>\n
YOLO v6 utilisait l'architecture EfficientNet-L2 et introduisait des bo\u00eetes d'ancrage denses.<\/p>\n
YOLO v7, la derni\u00e8re version, utilise neuf bo\u00eetes d'ancrage, une perte focale et une r\u00e9solution plus \u00e9lev\u00e9e pour une pr\u00e9cision et une vitesse am\u00e9lior\u00e9es.<\/p>\n
Ces versions de YOLO ont apport\u00e9 des am\u00e9liorations significatives en termes de pr\u00e9cision et d'efficacit\u00e9 par rapport aux versions pr\u00e9c\u00e9dentes et \u00e0 d'autres algorithmes de d\u00e9tection d'objets.<\/p>\n
Le choix entre la d\u00e9tection d'objets \u00e0 un seul coup ou \u00e0 deux coups d\u00e9pend des exigences et des contraintes sp\u00e9cifiques de l'application.<\/p>\n
Des fonctionnalit\u00e9s et am\u00e9liorations \u00e0 venir peuvent \u00eatre attendues dans la prochaine version de YOLO, \u00e0 savoir YOLO v8.<\/p>\n
En tant que version tr\u00e8s attendue, YOLO v8 promet d'apporter de nouvelles fonctionnalit\u00e9s et des performances am\u00e9lior\u00e9es.<\/p>\n
Avec une nouvelle API et la prise en charge des versions pr\u00e9c\u00e9dentes de YOLO, les utilisateurs peuvent s'attendre \u00e0 des fonctionnalit\u00e9s am\u00e9lior\u00e9es et \u00e0 une plus grande flexibilit\u00e9 dans leurs t\u00e2ches de d\u00e9tection d'objets.<\/p>\n
De plus, YOLO v8 peut introduire des avanc\u00e9es dans des domaines tels que la pr\u00e9cision, la vitesse et l'architecture du mod\u00e8le, repoussant encore les limites des algorithmes de d\u00e9tection d'objets.<\/p>\n
En conclusion, l'algorithme YOLO pour la d\u00e9tection d'objets a consid\u00e9rablement \u00e9volu\u00e9 au fil des ans, introduisant des am\u00e9liorations telles que des bo\u00eetes d'ancrage, diff\u00e9rentes architectures CNN, des r\u00e9seaux pyramidaux de fonctionnalit\u00e9s et des bo\u00eetes d'ancrage dynamiques.<\/p>\n
Ces avanc\u00e9es ont permis \u00e0 YOLO d'atteindre des performances en temps r\u00e9el et de le rendre adapt\u00e9 aux environnements aux ressources limit\u00e9es.<\/p>\n
Avec son d\u00e9veloppement continu et la sortie de YOLO v7, l'algorithme continue d'am\u00e9liorer les capacit\u00e9s de d\u00e9tection d'objets, ce qui en fait un outil pr\u00e9cieux dans divers domaines tels que la surveillance, les voitures autonomes et la robotique.<\/p>","protected":false},"excerpt":{"rendered":"
This article delves into the YOLO (You Only Look Once) algorithm, a highly efficient object detection method widely used in fields such as surveillance, self-driving cars, and robotics. By utilizing a fully convolutional neural network, YOLO enables real-time object detection, making it suitable for resource-constrained environments. The article explores the evolution of YOLO through various […]<\/p>","protected":false},"author":4,"featured_media":14312,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[16],"tags":[],"class_list":["post-13928","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artificial-intelligence"],"blocksy_meta":[],"featured_image_urls":{"full":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/yolo.jpg",2240,1260,false],"thumbnail":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/yolo-150x150.jpg",150,150,true],"medium":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/yolo-300x169.jpg",300,169,true],"medium_large":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/yolo-768x432.jpg",768,432,true],"large":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/yolo-1024x576.jpg",1024,576,true],"1536x1536":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/yolo-1536x864.jpg",1536,864,true],"2048x2048":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/yolo-2048x1152.jpg",2048,1152,true],"trp-custom-language-flag":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/yolo-18x10.jpg",18,10,true],"ultp_layout_landscape_large":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/yolo-1200x800.jpg",1200,800,true],"ultp_layout_landscape":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/yolo-870x570.jpg",870,570,true],"ultp_layout_portrait":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/yolo-600x900.jpg",600,900,true],"ultp_layout_square":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/yolo-600x600.jpg",600,600,true],"yarpp-thumbnail":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2022\/04\/yolo-120x120.jpg",120,120,true]},"post_excerpt_stackable":"
This article delves into the YOLO (You Only Look Once) algorithm, a highly efficient object detection method widely used in fields such as surveillance, self-driving cars, and robotics. By utilizing a fully convolutional neural network, YOLO enables real-time object detection, making it suitable for resource-constrained environments. The article explores the evolution of YOLO through various versions, highlighting improvements such as anchor boxes, different CNN architectures, and dynamic anchor boxes. It also discusses key evaluation metrics to measure object detection model performance. For those seeking a thorough understanding of YOLO's advancements, this article provides valuable insights and examples. Key Takeaways YOLO\u2026<\/p>\n","category_list":"Artificial intelligence<\/a>","author_info":{"name":"Drew Banks","url":"https:\/\/www.datalabelify.com\/fr\/author\/drewbanks\/"},"comments_num":"0 comments","_links":{"self":[{"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/posts\/13928","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/comments?post=13928"}],"version-history":[{"count":1,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/posts\/13928\/revisions"}],"predecessor-version":[{"id":14141,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/posts\/13928\/revisions\/14141"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/media\/14312"}],"wp:attachment":[{"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/media?parent=13928"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/categories?post=13928"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/tags?post=13928"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}