ultralytics/docs/fr/models/index.md

comments	description	keywords
true	Explorez la gamme diversifiée de modèles de la famille YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS et RT-DETR pris en charge par Ultralytics. Commencez avec des exemples pour l'utilisation CLI et Python.	Ultralytics, documentation, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR, modèles, architectures, Python, CLI

Modèles pris en charge par Ultralytics

Bienvenue dans la documentation des modèles d'Ultralytics ! Nous offrons un soutien pour une large gamme de modèles, chacun étant adapté à des tâches spécifiques comme la détection d'objets, la segmentation d'instance, la classification d'images, l'estimation de pose, et le suivi multi-objets. Si vous êtes intéressé à contribuer avec votre architecture de modèle à Ultralytics, consultez notre Guide de Contribution.

!!! Note "Remarque"

🚧 Notre documentation dans différentes langues est actuellement en construction, et nous travaillons dur pour l'améliorer. Merci de votre patience ! 🙏

Modèles en vedette

Voici quelques-uns des modèles clés pris en charge :

1. YOLOv3 : La troisième itération de la famille de modèles YOLO, initialement par Joseph Redmon, connue pour ses capacités de détection d'objets en temps réel efficaces.
2. YOLOv4 : Une mise à jour native darknet de YOLOv3, publiée par Alexey Bochkovskiy en 2020.
3. YOLOv5 : Une version améliorée de l'architecture YOLO par Ultralytics, offrant de meilleures performances et compromis de vitesse par rapport aux versions précédentes.
4. YOLOv6 : Publié par Meituan en 2022, et utilisé dans beaucoup de ses robots de livraison autonomes.
5. YOLOv7 : Modèles YOLO mis à jour publiés en 2022 par les auteurs de YOLOv4.
6. YOLOv8 NOUVEAU 🚀: La dernière version de la famille YOLO, présentant des capacités améliorées telles que la segmentation d'instance, l'estimation de pose/points clés et la classification.
7. Segment Anything Model (SAM) : Le modèle Segment Anything Model (SAM) de Meta.
8. Mobile Segment Anything Model (MobileSAM) : MobileSAM pour applications mobiles, développé par l'Université de Kyung Hee.
9. Fast Segment Anything Model (FastSAM) : FastSAM par le Image & Video Analysis Group, Institute of Automation, Chinese Academy of Sciences.
10. YOLO-NAS : Modèles de Recherche d'Architecture Neuronale YOLO (NAS).
11. Realtime Detection Transformers (RT-DETR) : Modèles du Transformateur de Détection en Temps Réel (RT-DETR) de PaddlePaddle de Baidu.

Regardez : Exécutez les modèles YOLO d'Ultralytics en seulement quelques lignes de code.

Pour Commencer : Exemples d'Utilisation

Cet exemple fournit des exemples simples d'entraînement et d'inférence YOLO. Pour une documentation complète sur ces modes et d'autres, consultez les pages de documentation Prédire, Entraîner, Val et Exporter.

Notez que l'exemple ci-dessous concerne les modèles Detect YOLOv8 pour la détection d'objets. Pour des tâches supplémentaires prises en charge, voir les documentations Segmenter, Classifier et Poser.

!!! Example "Exemple"

=== "Python"

    Des modèles pré-entraînés PyTorch `*.pt` ainsi que des fichiers de configuration `*.yaml` peuvent être passés aux classes `YOLO()`, `SAM()`, `NAS()` et `RTDETR()` pour créer une instance de modèle en Python :

    ```python
    from ultralytics import YOLO

    # Charger un modèle YOLOv8n pré-entraîné sur COCO
    model = YOLO('yolov8n.pt')

    # Afficher les informations du modèle (optionnel)
    model.info()

    # Entraîner le modèle sur le jeu de données exemple COCO8 pendant 100 époques
    results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

    # Exécuter l'inférence avec le modèle YOLOv8n sur l'image 'bus.jpg'
    results = model('path/to/bus.jpg')
    ```

=== "CLI"

    Des commandes CLI sont disponibles pour exécuter directement les modèles :

    ```bash
    # Charger un modèle YOLOv8n pré-entraîné sur COCO et l'entraîner sur le jeu de données exemple COCO8 pendant 100 époques
    yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

    # Charger un modèle YOLOv8n pré-entraîné sur COCO et exécuter l'inférence sur l'image 'bus.jpg'
    yolo predict model=yolov8n.pt source=path/to/bus.jpg
    ```

Contribution de Nouveaux Modèles

Vous êtes intéressé à contribuer votre modèle à Ultralytics ? Génial ! Nous sommes toujours ouverts à l'expansion de notre portefeuille de modèles.

1. Forkez le Référentiel : Commencez par forker le référentiel GitHub d'Ultralytics.

2. Clonez Votre Fork : Clonez votre fork sur votre machine locale et créez une nouvelle branche pour travailler dessus.

3. Implémentez Votre Modèle : Ajoutez votre modèle en suivant les normes et directives de codage fournies dans notre Guide de Contribution.

4. Testez Rigoureusement : Assurez-vous de tester votre modèle de manière rigoureuse, à la fois isolément et comme partie du pipeline.

5. Créez une Pull Request : Une fois que vous êtes satisfait de votre modèle, créez une pull request au répertoire principal pour examen.

6. Revue de Code & Fusion : Après examen, si votre modèle répond à nos critères, il sera fusionné dans le répertoire principal.

Pour des étapes détaillées, consultez notre Guide de Contribution.