Fondamentaux de la vision par ordinateur
Découvre le raisonnement qui sous-tend tout système de vision opérationnel : cadrer le problème, choisir parmi les sept tâches Ultralytics YOLO, auditer les données et les annotations, créer des partitions sans fuite et interpréter les métriques — avec des exemples YOLO26 exécutables sur de vraies images et de vrais jeux de données.
Par Ultralytics Academy
Formule un problème de vision par ordinateur, choisis la bonne tâche et les bonnes annotations, vérifie que tes données correspondent à la réalité et sache reconnaître un résultat « satisfaisant » avant l’entraînement.
Transforme une idée de produit en une spécification de tâche de trois lignes, et garde les règles métier dans le code plutôt que dans le modèle.
Associe une sortie à la bonne tâche parmi les sept : classification, détection, segmentation d’instance, segmentation sémantique, estimation de profondeur, pose ou OBB.
Interprète la sortie du détecteur et définis les seuils de confiance et d’IoU en fonction du coût de chaque erreur.
Audite un vrai jeu de données pour repérer les lacunes de couverture, les annotations incorrectes et les images quasi identiques qui se retrouvent dans différentes partitions.
Interprète ensemble la précision, le rappel, mAP50-95, l’AP par classe et la matrice de confusion pour décider de lancer, d’itérer ou de repenser le projet.
Une spécification de tâche pour ton projet, avec une règle de décision écrite sous forme de code à partir de la sortie YOLO26.
Un audit du jeu de données et une vérification des annotations pour un vrai jeu de données, avec un plan de collecte hiérarchisé.
Une vérification des fuites et une partition par groupes qui empêchent les images quasi identiques de se retrouver dans la validation.
Un bilan d’évaluation qui identifie la classe goulot d’étranglement et le seuil de mise en production.
Un premier entraînement YOLO26 sur tes propres images, vérifié par rapport à ta spécification.
Aucune expérience préalable en vision par ordinateur n’est nécessaire : les concepts se suffisent à eux-mêmes.
Facultatif, mais recommandé : Python 3.10+ et
pip install ultralyticspour exécuter les exemples. Tout s’exécute en quelques secondes sur le CPU d’un ordinateur portable.
Contenu du cours
4 modules · 10 leçonsModule 1
Module 2
Les sept tâches de vision
Associe une ligne de sortie à la classification, à la détection, à la segmentation d’instance, à la segmentation sémantique, à l’estimation de profondeur, à la pose ou à OBB, puis choisis les poids YOLO26 pour commencer.
Comprendre la détection d’objets
Lis la sortie d’un détecteur — classe, boîte, confiance — et règle les seuils de confiance et d’IoU en fonction du coût de chaque erreur.
Boîtes et masques : quand as-tu vraiment besoin de la segmentation ?
Mesure ce que le masque apporte par rapport à la boîte sur une image réelle, puis détermine si ton projet a réellement besoin de la forme en fonction du composant qui exploite les données.
Estimation de pose et OBB
Lis les points clés et les boîtes orientées de YOLO26, définis une règle à partir de chacun et repère quand la posture ou l’angle est le véritable signal.
Module 3
Des jeux de données représentatifs de la réalité
Audite un jeu de données réel pour repérer les lacunes de couverture avant d’ajouter des annotations, puis transforme ces lacunes en plan de collecte incluant des exemples difficiles négatifs.
Qualité des annotations
Comprends le contenu d’une étiquette YOLO, vérifie les fichiers d’étiquettes pour repérer les lignes incorrectes et assure la cohérence des annotateurs avec des consignes et une session de calibration mesurée.
Module 4
Des partitions qui disent la vérité
Repère les images presque identiques qui se retrouvent à la fois dans l’entraînement et la validation, puis répartis les données selon l’unité qui sera nouvelle en déploiement.
Lire honnêtement les métriques de détection
Lance la validation, examine ensemble la précision, le rappel, mAP50-95, l’AP par classe et la matrice de confusion, puis choisis un seuil de mise en production à partir d’un objectif.
Du laboratoire à la production
Installe Ultralytics, exécute YOLO26 sur tes propres images, vérifie les résultats par rapport à tes spécifications et choisis la prochaine étape.