Ultralytics YOLO en production
Mets en production un modèle Ultralytics YOLO entraîné : choisis un moteur d'exécution, exporte-le et vérifie-le, optimise-le pour ton matériel, suis les objets, crée des pipelines de comptage, traite de nombreux flux et détecte les dérives avant les utilisateurs.
Par Ultralytics Academy
Déploie un modèle YOLO26 avec le moteur d'exécution adapté et une parité vérifiée, transforme ses détections en identifiants suivis et en comptages sur de nombreux flux, puis instrumente-le afin que les problèmes de latence, de précision et de dérive déclenchent une alerte avant que les utilisateurs ne les remarquent.
Choisis un moteur d'exécution et une valeur
format=en fonction de l'appareil, du budget de latence et du parc, puis confirme ton choix avec des benchmarks répétés.Exporte au format ONNX et vérifie la parité avec PyTorch, notamment le piège du letterbox à forme statique.
Choisis entre FP32, FP16 et INT8 sur TensorRT et OpenVINO, avec des données d'étalonnage et un seuil de précision.
Suis les objets avec ByteTrack, BoT-SORT ou TrackTrack et ajuste les seuils du traceur aux niveaux de confiance de ton détecteur.
Crée des compteurs de franchissement de ligne, des mesures d'occupation de zone, des cartes thermiques et des estimations de vitesse étalonnées à partir du suivi.
Traite plusieurs flux de caméra avec un seul modèle, au moyen de l'inférence par lots, de files d'attente limitées et d'une mesure des pertes d'images.
Consigne les métriques par image, détecte les dérives de confiance avec un test KS et utilise le levier le moins coûteux pour réduire la latence et les coûts.
Une décision concernant le moteur d'exécution adapté à ton appareil, étayée par des résultats de benchmarks répétés et comparés à un budget en millisecondes.
Un export ONNX accompagné d'un contrôle de parité consigné (boîtes, confiances et mAP) par rapport au modèle PyTorch.
Un export optimisé (OpenVINO ou TensorRT) qui a satisfait aux seuils de mAP et de latence sur le matériel cible.
Un pipeline de comptage comprenant une ligne de comptage, un comptage par zone, une carte thermique et une estimation de vitesse étalonnée sur des vidéos réelles.
Un processus multi-flux qui regroupe les images de plusieurs caméras et indique, pour chaque flux, le nombre d'images traitées et perdues.
Une boucle de surveillance : métriques JSON par image, test KS de dérive des confiances et validation hebdomadaire sur un ensemble de contrôle.
Un modèle entraîné, comme
runs/detect/pills_v1/weights/best.ptde Train your first YOLO model, ou le point de contrôle préentraînéyolo26n.ptpour suivre les exemples.Python 3.10+ avec
pip install "ultralytics[solutions]" onnxruntime scipy(solutions ajoute shapely et lap).Être à l'aise avec Python, la ligne de commande et les sources vidéo (fichiers, webcams, RTSP).
Recommandé : commence par suivre Train your first YOLO model et Building High-Performance YOLO Datasets.
Contenu du cours
4 modules · 9 leçonsModule 1
Choisir une cible de déploiement
Déduis un moteur d'exécution et un format d'export à partir de l'appareil, du budget de latence et du parc, puis vérifie-les sur l'appareil.
Exporter au format ONNX (et vérifier la parité)
Exporte un modèle ONNX portable, puis vérifie qu'il correspond à PyTorch pour les boîtes, les confiances et mAP avant tout déploiement.
Module 2
Optimiser avec TensorRT
Crée un moteur TensorRT FP16, décide si INT8 vaut son coût en précision et soumets le moteur à un contrôle avant le déploiement.
OpenVINO sur CPU
Exporte des modèles OpenVINO en FP32, FP16 et INT8, valide chacun d’eux et ne conserve INT8 que s’il apporte un gain sur ton propre CPU.
Module 3
Suivre des objets avec ByteTrack, BoT-SORT et TrackTrack
Attribue à chaque objet un ID stable d’une image à l’autre, choisis un tracker et règle ses seuils en fonction de ton détecteur.
Comptage, cartes thermiques et estimation de la vitesse
Crée des compteurs de franchissement de ligne, des décomptes d’occupation de zone, des cartes thermiques et des estimations de vitesse à partir du suivi, puis calibre-les avec rigueur.
Module 4
Inférence multi-flux
Traite plusieurs caméras avec un seul modèle grâce à l’inférence par lots, à des files d’attente limitées et à la mesure des images perdues.
Observabilité et dérive
Consigne les métriques qui détectent les pertes de précision silencieuses, teste les distributions de confiance pour repérer les dérives et ne déclenche des alertes que sur des signaux exploitables.
Réglage des coûts et de la latence
Profile l’ensemble du pipeline, actionne les leviers qui réduisent réellement la latence et les coûts, dans le bon ordre, puis arrête-toi une fois le budget atteint.