Entraîne ton premier modèle YOLO

Fais passer Ultralytics YOLO26 d’une nouvelle installation à un détecteur entraîné sur mesure, validé et exporté. Tu effectueras des prédictions sur des images, structureras un vrai jeu de données, entraîneras et diagnostiqueras un détecteur de pilules, exécuteras des modèles sur des vidéos avec suivi, puis effectueras un export vers ONNX en vérifiant qu’il correspond à PyTorch. Chaque étape s’exécute en Python et dans le CLI, sur un CPU d’ordinateur portable, avec les sorties réelles à l’appui. La planification, la collecte et l’annotation du jeu de données sont abordées dans Building High-Performance YOLO Datasets.

Par Ultralytics Academy

Commencer le cours Connecte-toi pour enregistrer ta progression

Ce que tu vas apprendre

Entraîne, valide et exporte un modèle Ultralytics YOLO26 sur un jeu de données personnalisé, exécute-le sur une vidéo et apprends à diagnostiquer chaque étape en cas de problème, aussi bien en Python que depuis la ligne de commande.

Installe Ultralytics, vérifie quel appareil il utilisera, puis lance des prédictions YOLO26 en Python et dans le CLI.
Choisis la taille du modèle à partir d’un budget de latence mesuré plutôt qu’en te fiant à un classement.
Structure un jeu de données au format Ultralytics YOLO, convertis les étiquettes et écris un data.yaml accessible depuis n’importe quel emplacement.
Entraîne, valide, reprends et initialise les exécutions à partir d’un modèle préentraîné, puis transforme les artefacts de validation en liste de corrections.
Diffuse et suis une vidéo, puis exporte vers ONNX, TensorRT, OpenVINO et d’autres formats, et vérifie que l’export correspond à PyTorch.

Ce que tu vas créer

Un jeu de données de pilules au format YOLO avec un data.yaml qu’Ultralytics lit sans aucune étiquette corrompue.
Un détecteur best.pt entraîné, avec ses chiffres de validation présentés à côté de ceux du modèle préentraîné de référence.
Un script vidéo en continu qui compte les objets uniques grâce au suivi et vérifie qu’il suit la cadence d’images.
Un export ONNX dont les détections et le mAP correspondent au modèle PyTorch avec des paramètres identiques.

Prérequis

Python 3.10 ou version ultérieure, et être à l’aise avec l’exécution de scripts Python et de commandes shell.
Aucun GPU n’est nécessaire : chaque exemple de ce cours s’exécute en quelques minutes sur le CPU d’un ordinateur portable. Un GPU NVIDIA ou une puce Apple Silicon accélère les exécutions plus importantes.
Recommandation : commence par suivre Computer Vision Foundations et Building High-Performance YOLO Datasets.

Contenu du cours

5 modules · 10 leçons

Module 1

Configuration

Installer Ultralytics

Installe Ultralytics dans un environnement propre, consulte le rapport des vérifications yolo pour confirmer ton appareil, puis valide la configuration avec une prédiction.

Module 2

Prédire

Effectuer une prédiction sur une image

Exécute un modèle YOLO26 préentraîné depuis Python, lis les classes, les scores de confiance et les boîtes en pixels dans les résultats, et ajuste les paramètres qui corrigent la plupart des détections manquées.

Choisir la taille d’un modèle Ultralytics YOLO

Compare les tailles n, s, m, l et x de YOLO26, évalue-les sur le matériel cible et choisis la plus petite taille qui respecte ton budget de latence.

Module 3

Données

Préparer un jeu de données personnalisé

Organise les images et les annotations au format Ultralytics YOLO, convertis les boîtes en pixels en lignes d’annotation normalisées et repère les annotations incorrectes avant l’entraînement.

Écrire un fichier YAML de jeu de données

Rédige le fichier data.yaml qui indique à Ultralytics où trouver tes dossiers et qui nomme tes classes, fais en sorte que ses chemins soient résolus depuis n’importe quel emplacement, puis vérifie rapidement le tout avec yolo val.

Module 4

Entraîner

Entraîne ton premier modèle

Affine YOLO26 sur ton jeu de données en un seul appel, lis le journal d’entraînement en direct ligne par ligne et trouve best.pt ainsi que les graphiques importants dans le dossier d’exécution.

Valider et diagnostiquer

Valide best.pt par rapport à une valeur de référence, lis la matrice de confusion, les valeurs par classe et les images de prédiction, puis transforme ces résultats en une liste précise de corrections.

Reprendre et itérer

Reprends exactement un entraînement interrompu, commence à chaud une nouvelle itération à partir de best.pt avec un taux d’apprentissage réellement appliqué, et compare les exécutions côte à côte.

Module 5

Déployer

Exécuter l'inférence sur une vidéo

Exécute YOLO26 sur des fichiers vidéo et des caméras en direct avec une mémoire bornée, suis les objets pour ne compter chacun qu'une fois et vérifie que le modèle suit la cadence d'images.

Exporter pour le déploiement

Exporte best.pt vers ONNX, OpenVINO, TensorRT, CoreML, LiteRT ou QNN, puis vérifie que l'export correspond au modèle PyTorch avant de le déployer.

Get Started

Entraîne ton premier modèle YOLO

Contenu du cours