Masques, points clés, boîtes orientées et étiquettes de classe — annotés, entraînés, convertis en chiffres et déployés

Parcours Pratiqueintermédiaire ~5 heures 10 leçonsExamen final · Certificat

Au-delà de la détection : segmentation, pose, OBB et classification

Tu sais entraîner un détecteur. Ultralytics YOLO prend en charge sept tâches de vision, et ce cours t’apprend les cinq que tu rencontreras le plus souvent après la détection — segmentation d’instances et sémantique, pose, boîtes englobantes orientées et classification — depuis le format des étiquettes et l’entraînement jusqu’à la lecture des résultats dans le code, l’enchaînement des modèles et l’évaluation et l’export propres à chaque tâche. L’estimation de profondeur, la septième tâche, fait partie du programme ainsi que des leçons sur l’évaluation et l’export.

Par Ultralytics Academy

Commencer le cours Connecte-toi pour enregistrer ta progression

Ce que tu vas apprendre

Choisis la bonne tâche Ultralytics YOLO26 en fonction d’un besoin produit, puis annote, entraîne, interprète, évalue et exporte des modèles de segmentation, de segmentation sémantique, de pose, d’OBB et de classification, et assemble-les en pipelines capables de répondre à des questions auxquelles un détecteur ne peut pas répondre.

Associe un besoin produit à l’une des sept tâches Ultralytics YOLO, à ses poids, à son champ de résultat et à sa métrique de validation.
Crée et vérifie des jeux de données avec des polygones, des cartes de classes PNG, des points clés, des OBB à quatre sommets et une organisation de dossiers adaptée, avant l’entraînement.
Entraîne les modèles -seg, -sem, -pose, -obb et -cls, puis consulte le mAP des masques, le mIoU, le mAP de pose basé sur OKS, le mAP des boîtes orientées et la précision top-1.
Transforme les prédictions en décisions : surfaces et chevauchements des masques, couverture de la carte des classes, angles des articulations, caps des navires et étiquettes acheminées selon le niveau de confiance.
Enchaîne les tâches (détecter puis classifier, pose plus suivi), maîtrise leur coût et exporte chaque tâche vers ONNX avec une prédiction vérifiée.

Ce que tu vas créer

Un plan de tâches qui indique la tâche, les poids, le format des étiquettes, le champ de résultat et la métrique de validation pour chaque modèle du pipeline.
Des validateurs d’étiquettes pour les jeux de données de segmentation et de pose, qui détectent les lignes mal formées avant de mobiliser le GPU pendant une heure.
Des entraînements d’une époque pour la segmentation, la segmentation sémantique, la pose, l’OBB et la classification, avec une explication de chaque métrique.
Des scripts qui mesurent la surface et le chevauchement des masques, la surface praticable, les angles des coudes et des genoux et les axes des navires à partir de prédictions réelles.
Un pipeline en deux étapes qui classifie chaque personne suivie une seule fois, et des exports ONNX de chaque tâche, tous vérifiés avec une prédiction.

Prérequis

Termine Entraîne ton premier modèle YOLO — ce cours part du principe que tu sais entraîner, valider et lancer des prédictions avec un détecteur.
Tu maîtrises Python et les tableaux NumPy.
Un GPU est utile, mais pas indispensable : chaque exemple s’exécute sur un processeur d’ordinateur portable avec epochs=1 et un petit imgsz.

Contenu du cours

4 modules · 10 leçons

Module 1

Planifier

Choisir la tâche et planifier le pipeline

Associe chaque question produit à l’une des sept tâches Ultralytics YOLO, avec ses poids, son champ de résultat, son format d’étiquettes et sa métrique de validation, puis vérifie le plan en exécutant chaque tâche sur une image.

Module 2

Segmenter

Annoter et entraîner la segmentation d'instances

Crée des annotations polygonales, vérifie-les dans le code, entraîne yolo26n-seg.pt sur COCO8-seg et diagnostique un modèle à partir de l’écart entre ses métriques de boîtes et de masques.

Utilise les masques dans le code : superficie, chevauchement, contours et détourages

Lis correctement masks.data et masks.xy, mesure la superficie et le remplissage des objets, teste le chevauchement avec des masques plutôt qu'avec des boîtes et détoure les objets de l'image.

Segmentation sémantique : étiqueter chaque pixel

Prédire une carte de classes par pixel avec yolo26n-sem.pt, la convertir en valeurs de couverture, créer des jeux de données de cartes de classes PNG et interpréter la mIoU sans se laisser induire en erreur par la précision au pixel.

Module 3

Pose et OBB

Étiqueter et entraîner des modèles de pose

Rédige des étiquettes de points clés avec visibilité, définis correctement kpt_shape et flip_idx, entraîne le modèle sur COCO8-pose et convertis les points clés en angles articulaires soumis à un seuil de confiance.

Points clés personnalisés et métriques OKS

Conçois un schéma de points clés pour des objets non humains, rédige et vérifie le YAML du jeu de données, puis définis les sigmas OKS selon la précision avec laquelle chaque point peut être placé.

Boîtes englobantes orientées pour les objets en rotation

Annote des OBB à quatre coins, entraîne yolo26n-obb.pt sur DOTA8 et transforme les prédictions xywhr en un axe d’orientation stable sans te laisser piéger par les conventions d’angle.

Module 4

Classer, combiner, expédier

Entraîner un classificateur d’images

Organise un jeu de données dans des dossiers, entraîne yolo26n-cls.pt sur MNIST160, lis les probabilités et la précision top-1, puis envoie les prédictions à faible confiance à une personne pour vérification.

Combiner des tâches dans un seul pipeline

Construis une cascade détection puis classification, classe chaque objet suivi une seule fois plutôt qu’à chaque image, et transforme les points clés de pose en séries temporelles par personne.

Évaluer et déployer chaque tâche

Définis un seuil pour chaque tâche à l’aide de sa propre métrique et de la taille de déploiement, valide toutes les tâches dans une seule boucle et exporte chaque modèle vers ONNX avec une prédiction vérifiée.

Get Started

Au-delà de la détection : segmentation, pose, OBB et classification

Contenu du cours