YOLO
Pourquoi c'est important
Les modèles YOLO sont les bêtes de somme de la vision par ordinateur appliquée. Ils comptent les produits en rayon, repèrent les défauts sur les chaînes de production, suivent les joueurs dans les retransmissions sportives, mesurent le trafic, guident des drones et des robots et surveillent la faune. Ils sont assez petits pour tourner sur un téléphone, une caméra ou une carte embarquée bon marché, et on peut les ajuster par fine-tuning sur un jeu de données personnalisé en un après-midi.
À l'ère des modèles multimodaux géants, YOLO rappelle qu'un petit modèle spécialisé est souvent le bon outil. Il coûte plusieurs ordres de grandeur de moins par image qu'un modèle vision-langage, et il est bien plus rapide.
En profondeur
YOLO signifie « You Only Look Once » (on ne regarde qu'une fois). Avant lui, les meilleurs détecteurs d'objets travaillaient en deux étapes : d'abord proposer des régions susceptibles de contenir quelque chose, puis classer chaque région. C'était précis mais lent. En 2015, Joseph Redmon et ses collègues ont montré qu'un seul réseau de neurones pouvait regarder l'image entière une fois et prédire directement chaque boîte englobante et sa classe. Le premier YOLO tournait à 45 images par seconde, assez vite pour de la vidéo en direct, à une époque où les détecteurs précis n'en atteignaient qu'une poignée.
Depuis, « YOLO » est devenu moins un modèle unique qu'une lignée : plus d'une douzaine de versions venues d'équipes différentes, toutes construites autour de l'idée d'une détection rapide en une seule étape.
Comment ça marche
Un modèle YOLO est un réseau convolutif en trois parties : un backbone qui extrait les caractéristiques, un neck qui mélange les caractéristiques de différentes échelles pour que les petits comme les grands objets soient visibles, et une head qui prédit des boîtes, des scores de confiance et des classes pour des positions réparties sur toute l'image.
La sortie brute contient beaucoup de boîtes qui se chevauchent pour un même objet. Une étape de post-traitement appelée non-maximum suppression (NMS) garde la meilleure et supprime les doublons. Certaines versions récentes sont entraînées à produire une seule boîte par objet et se passent entièrement de NMS, ce qui simplifie le déploiement.
Un arbre généalogique emmêlé
Redmon a écrit les trois premières versions, puis a quitté la recherche en vision par ordinateur en 2020, en invoquant ses inquiétudes face aux usages militaires et de surveillance. Le nom a continué à vivre sans propriétaire :
- YOLOv4 (2020) est venu d'Alexey Bochkovskiy et de ses collègues.
- YOLOv5 (2020), YOLOv8 (2023) et YOLO11 (2024) sont venus de l'entreprise Ultralytics, dont le package Python facile à utiliser a rendu YOLO populaire bien au-delà des chercheurs.
- YOLOv6, v7, v9, v10 et les versions suivantes sont venues de divers groupes universitaires et industriels.
Les numéros de version ne forment pas une suite nette d'améliorations, et un numéro plus élevé n'est pas automatiquement meilleur pour votre tâche. Les packages YOLO modernes vont aussi au-delà de la détection : la même famille gère la segmentation d'instances, l'estimation de pose, les boîtes orientées et le suivi.
Tailles et métriques
Chaque version existe en plusieurs tailles, en général nano, small, medium, large et extra-large. Les modèles nano tournent en temps réel sur un téléphone, tandis que les plus gros sont plus précis mais demandent un GPU. La précision est rapportée en mAP (mean average precision) sur le jeu de données COCO, qui compte 80 classes d'objets du quotidien. Pour votre propre projet, la vitesse et la précision sur vos données et votre matériel comptent plus que les scores COCO.
Entraîner le vôtre
Les modèles YOLO préentraînés ne connaissent que les 80 classes de COCO. Pour tout le reste, il faut un fine-tuning : rassemblez de quelques centaines à quelques milliers d'images, annotez-les avec des boîtes englobantes et entraînez pendant une heure environ sur un seul GPU. L'annotation est le vrai travail, et des outils construits sur Segment Anything ou sur des modèles vision-langage peuvent l'accélérer considérablement. Pour le déploiement, les modèles sont en général exportés vers ONNX, TensorRT, Core ML ou des formats similaires.
Licences et alternatives
Attention à la licence. Les modèles d'Ultralytics sont publiés sous AGPL-3.0, qui vous oblige à publier en open source le logiciel qui les utilise, sauf si vous achetez une licence commerciale. Parmi les alternatives sous licence permissive, on trouve YOLOX et des détecteurs temps réel à base de transformers comme RT-DETR et RF-DETR, qui égalent ou dépassent désormais la précision de YOLO.
Les détecteurs à vocabulaire ouvert comme YOLO-World et Grounding DINO trouvent des objets décrits par du texte sans aucun entraînement, au prix d'un peu de vitesse et de précision. Les modèles vision-langage savent aussi détecter des objets, et ils sont utiles pour le prototypage et l'annotation, mais pour du gros volume ou du temps réel, un petit détecteur entraîné reste bien plus pratique.