ultralytics/docs/fr/models/index.md

comments	description	keywords
true	Explorez la diversité des modèles YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS et RT-DETR pris en charge par Ultralytics. Commencez avec des exemples d'utilisation pour 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 proposons une prise en charge d'une large gamme de modèles, chacun adapté à des tâches spécifiques comme la détection d'objets, la segmentation d'instances, la classification d'images, l'estimation de posture et le suivi multi-objets. Si vous souhaitez contribuer avec votre architecture de modèle à Ultralytics, consultez notre Guide de Contribution.

!!! note

🚧 Notre documentation multilingue est actuellement en construction et nous travaillons activement à 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, originellement par Joseph Redmon, reconnue pour ses capacités de détection d'objets en temps réel efficaces.
2. YOLOv4 : Une mise à jour de YOLOv3 native de darknet, publiée par Alexey Bochkovskiy en 2020.
3. YOLOv5 : Une version améliorée de l'architecture YOLO par Ultralytics, offrant de meilleurs compromis de performance et de vitesse par rapport aux versions précédentes.
4. YOLOv6 : Publié par Meituan en 2022, et utilisé dans de nombreux robots de livraison autonomes de l'entreprise.
5. YOLOv7 : Modèles YOLO mis à jour et sortis en 2022 par les auteurs de YOLOv4.
6. YOLOv8 : La dernière version de la famille YOLO, avec des capacités améliorées telles que la segmentation d’instances, 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 les applications mobiles, par l'Université de Kyung Hee.
9. Fast Segment Anything Model (FastSAM) : FastSAM par le groupe d’Analyse Image et Vidéo, Institut d'Automatisation, Académie Chinoise des Sciences.
10. YOLO-NAS : Modèles YOLO Neural Architecture Search (NAS).
11. Realtime Detection Transformers (RT-DETR) : Modèles de Realtime Detection Transformer (RT-DETR) de Baidu's PaddlePaddle.

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

Pour commencer : Exemples d'utilisation

!!! example ""

=== "Python"

    Les modèles préentrainés `*.pt` ainsi que les fichiers de configuration `*.yaml` peuvent être passés aux classes `YOLO()`, `SAM()`, `NAS()` et `RTDETR()` pour créer une instance du modèle en Python :

    ```python
    from ultralytics import YOLO

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

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

    # Entraîner le modèle sur l'exemple de jeu de données 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 préentrainé sur COCO et l'entraîner sur l'exemple de jeu de données COCO8 pendant 100 époques
    yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

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

Contribuer de nouveaux modèles

Intéressé à contribuer votre modèle à Ultralytics ? Super ! Nous sommes toujours ouverts à l'expansion de notre portefeuille de modèles.

1. Forker le Répertoire : Commencez par forker le répertoire GitHub d'Ultralytics.

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

3. Implémenter Votre Modèle : Ajoutez votre modèle en suivant les standards et directives de codage fournis dans notre Guide de Contribution.

4. Tester Rigoureusement : Assurez-vous de tester votre modèle de manière rigoureuse, à la fois isolément et en tant que partie du pipeline.

5. Créer une Pull Request : Une fois que vous êtes satisfait de votre modèle, créez une demandе de tirage (pull request) vers le répertoire principal pour examen.

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

Pour des étapes détaillées, consultez notre Guide de Contribution.