Ultralytics
Analyse des donnéesMis à jour le 4 octobre 2026
Ultralytics est une plateforme de vision par ordinateur pour la détection d'objets, le suivi et l'entraînement en temps réel utilisant l'architecture YOLO.
Nous pouvons percevoir une commission si vous vous inscrivez via nos liens. Cela n’influence pas nos avis.
Qu’est-ce qu’Ultralytics ?
Ultralytics est un hub de vision par ordinateur centré sur l’architecture YOLO (You Only Look Once) pour détecter et suivre des objets en temps réel. Il va au-delà des simples boîtes englobantes pour gérer l’estimation de pose et la segmentation d’image sans le délai de post-traitement habituel dû à la suppression non maximale (Non-Maximum Suppression). Alors que les outils en ligne de commande et l’API Python le rendent accessible pour des scripts automatisés, la plateforme web Ultralytics Platform offre un espace sans code pour étiqueter des données avec des pinceaux assistés par IA et entraîner des modèles sur des GPU dans le cloud. Cette configuration élimine les frictions liées à la gestion des dépendances locales et de l’infrastructure, bien que le passage vers des modèles spécialisés, sans NMS, signifie que vous devrez peut-être repenser votre pipeline de déploiement pour du matériel plus ancien. C’est important, car cela vous permet de passer d’un dossier d’images brutes à une API prête pour la production en quelques heures plutôt qu’en semaines.
Comment commencer à utiliser Ultralytics ?
Commencez par exécuter pip install ultralytics dans un environnement virtuel. Cela garde vos dépendances système propres et évite les conflits de version qui cassent souvent les projets de vision par ordinateur. Si vous utilisez Linux ou macOS, vérifiez votre installation en testant la commande CLI yolo. C’est le moyen le plus rapide de confirmer que votre GPU est réellement utilisé pour l’accélération. Une bonne isolation de l’environnement garantit que votre configuration locale ne plante pas lorsque vous expérimentez différentes versions de modèles.
La bibliothèque fonctionne mieux lorsque vous lui fournissez un fichier data.yaml. Ce petit fichier de configuration indique précisément au modèle où se trouvent vos images d’entraînement et de validation, et associe vos noms de classes à des identifiants spécifiques. Si vous omettez le chemin de validation ou que la structure des dossiers est légèrement incorrecte, la boucle d’entraînement échouera avant la fin de la première époque. Bien définir vos chemins dès le départ évite des heures de débogage d’erreurs fantômes, car le modèle a besoin d’une carte claire de votre ensemble de données pour calculer les métriques de précision pendant l’entraînement.
Choisissez un modèle préentraîné comme YOLO11n pour initialiser vos poids. Partir d’un point de contrôle plutôt que d’un bruit aléatoire vous fait gagner des jours de calcul et nécessite beaucoup moins d’images personnalisées pour atteindre une précision correcte. Vous pouvez déclencher l’entraînement avec une seule commande comme model.train(data=’data.yaml’, epochs=100, imgsz=640). L’utilisation d’une résolution standard de 640px équilibre la vitesse de détection avec la capacité à trouver de petits objets dans une image. Vous pouvez ainsi obtenir un prototype fonctionnel sur du matériel grand public en quelques minutes.
Une fois l’entraînement terminé, les poids sont stockés dans un répertoire runs. Vous pouvez immédiatement exécuter l’inférence sur un nouveau fichier vidéo ou un flux de caméra en direct pour voir comment le modèle gère le mouvement réel. J’ai constaté que tester sur une vidéo brute prise avec un téléphone révèle souvent des biais d’éclairage ou d’angle qui n’étaient pas évidents dans l’ensemble d’entraînement statique. Voir les boîtes englobantes apparaître en temps réel vous donne un retour immédiat sur la diversité de votre ensemble de données, et le test en direct est le seul moyen de prouver que votre modèle fonctionne en dehors d’un ensemble de données contrôlé.
À qui s’adresse-t-il ?
Ingénieurs en vision par ordinateur qui doivent passer d’images brutes à un modèle YOLO entraîné sans gérer de chaînes d’outils fragmentées. Cela permet de gagner des heures de configuration d’environnement en intégrant l’annotation et le déploiement dans un seul onglet de navigateur.
Petites équipes de start-up en IA sans profil MLOps dédié
La plateforme prend en charge le travail lourd d’orchestration GPU, ce qui signifie que vous pouvez entraîner un modèle YOLOv8 sur une RTX 4090 sans posséder le matériel.
Développeurs de solutions pour le commerce de détail créant des systèmes de caisse en libre-service ou de suivi d’inventaire. Vous pouvez déployer des modèles directement sur des appareils en périphérie (edge) pour garder le traitement local et la latence faible.
Chercheurs académiques menant des expériences itératives sur la détection d’objets
La plateforme permet des comparaisons rapides entre les versions de YOLO comme v5 et v11, vous aidant à trouver le bon ratio précision-vitesse pour votre article.
Passionnés de no-code souhaitant créer des applications de vision personnalisées
L’interface glisser-déposer vous permet d’étiqueter des ensembles de données et de déclencher des entraînements sans écrire une seule ligne de Python.
Responsables qualité en fabrication cherchant à automatiser la détection de défauts sur la chaîne de montage. Cela fonctionne bien pour identifier des fissures visibles ou des désalignements, mais c’est moins idéal si vos données nécessitent une expertise médicale hyper-spécialisée. Règle générale : choisissez Ultralytics si vous voulez le chemin le plus rapide vers un modèle YOLO prêt pour la production, mais restez sur des scripts personnalisés si vous avez besoin d’un contrôle total sur les boucles d’entraînement sous-jacentes.
Tarifs d’Ultralytics
Ultralytics occupe une position curieuse entre l’altruisme open-source et une licence commerciale stricte. Vous pouvez télécharger le code et l’essayer gratuitement, mais dès que vous voulez cacher votre code source dans un produit commercial, la licence AGPL-3.0 devient un obstacle majeur. La plupart des développeurs commencent gratuitement puis déchantent lorsque leur équipe juridique voit les exigences de « copyleft ».
Plan Free - 0 $ par mois
100 Go de stockage et 3 entraînements cloud simultanés
20 types de GPU cloud, y compris RTX 5090 et H100
Comprend 5 à 25 $ de crédits de démarrage pour le calcul
Cela vous permet de prototyper sans entrer de carte de crédit, mais vous oblige à garder votre projet public ou à publier en open source l’ensemble de votre code.
L’avantage : vous pouvez tester si YOLOv8 détecte réellement vos objets spécifiques avant de dépenser le moindre centime.
Plan Pro - 29 $ par utilisateur/mois (ou 290 $/an)
500 Go de stockage et 10 entraînements simultanés
Crédit mensuel de 30 $ par utilisateur
Accès aux GPU H200 et B200
Passer à 500 modèles signifie que vous n’aurez plus à supprimer d’anciennes expériences chaque vendredi après-midi.
Les équipes ayant dépassé l’expérimentation de base disposent de plus de marge de calcul et de puces plus rapides.
Plan Enterprise - Tarification personnalisée (devis requis)
Modèles, stockage et déploiements illimités
SSO/SAML et onboarding dédié
Licence commerciale pour les applications à code source fermé
Selon certains rapports, ces licences peuvent commencer autour de 5 000 à 20 000 $ par an selon la taille de l’entreprise.
C’est le seul moyen d’utiliser la technologie dans une application propriétaire sans révéler votre code propriétaire.
Fonctionnalités clés d’Ultralytics
Traitement YOLO en temps réel
Vous détectez et suivez des objets dans des flux vidéo en direct sans la latence qui plombe d’ordinaire un déploiement en périphérie. Les systèmes réagissent aussitôt aux changements dans des environnements mouvants comme la circulation ou un atelier.
Pôle unifié de vision par ordinateur
Cessez de sauter entre des outils distincts pour l’annotation, l’entraînement et le déploiement. Tout gérer dans un seul onglet évite les conflits de version et les tracas d’environnement courants quand on assemble des scripts Python épars. Vous passez ainsi beaucoup moins de temps à gérer l’infrastructure.
Polyvalence multi-tâches
La plateforme prend en charge la détection d’objets, l’estimation de pose et la segmentation d’image avec la même architecture de base. Vous pouvez cartographier des points clés du corps pour une application de sport ou détourer des pixels précis en imagerie médicale sans réapprendre un nouveau framework. Votre équipe n’a qu’une seule chaîne d’outils à maîtriser pour des projets variés.
Entraînement dans le cloud
Déportez les tâches GPU lourdes vers le cloud et épargnez à votre machine la limitation thermique. Vous pouvez ainsi itérer sur des modèles en déplacement ou depuis un portable peu puissant, à condition de gérer vos crédits de calcul. Le développement d’IA haut de gamme devient ainsi accessible aux équipes sans baies de serveurs coûteuses.
Options de déploiement souples
Exportez vos modèles entraînés vers des formats comme ONNX, CoreML ou TensorFlow Lite pour des applications mobiles et web. La conversion gère automatiquement la traduction des calculs, ce qui garde le modèle réactif sur smartphone et raccourcit le passage d’un notebook de recherche à une application prête pour la production.
Avantages et inconvénients d’Ultralytics
Avantages
Ultralytics simplifie le passage d’images brutes à un modèle YOLO opérationnel en réunissant annotation et déploiement dans un seul onglet de navigateur. Vous pouvez ainsi déployer des scripts de détection d’objets sur des appareils embarqués sans gérer votre propre infrastructure ni vous battre avec les pilotes CUDA. J’ai remarqué que l’abandon de la Non-Maximum Suppression (NMS) dans les versions récentes réduit nettement la latence CPU, ce qui accélère le suivi en temps réel sur du matériel peu puissant. C’est important, car cela réduit le temps passé à configurer l’environnement et vous laisse vous concentrer sur la précision du modèle.
Inconvénients
Cette simplicité s’accompagne d’un lourd compromis de licence qui vous oblige à choisir entre ouvrir le code de toute votre application ou payer des frais entreprise non publiés. La documentation paraît souvent mince pour les scénarios avancés, notamment la prise en charge de codecs particuliers ou l’affinage poussé des couches du backbone. L’API est accessible, mais le code sous-jacent reste difficile à parcourir et à adapter pour des besoins de recherche pointus. Le logiciel peut faire figure de « boîte noire » limitant votre contrôle sur les couches internes, ce qui expose au surapprentissage si vous n’ajustez pas les hyperparamètres avec soin. Pour de petites équipes incapables de payer un devis sur mesure, une licence restrictive peut bloquer purement et simplement une sortie commerciale.
Utilisez Ultralytics si vous voulez…
- Déployer des modèles YOLO ultrarapides sur des appareils en périphérie aux ressources limitées.
- Automatiser la détection d’objets en temps réel pour les systèmes de navigation autonome.
- Suivre les performances sportives grâce à une estimation précise de la pose humaine.
- Créer des ensembles de données visuelles personnalisés pour l’inspection des chaînes de montage industrielles.
- Détecter instantanément les risques pour la sécurité comme le feu ou la fumée.
- Identifier et classer plusieurs instances d’objets dans des scènes complexes.
- Intégrer une inférence sans NMS pour des pipelines d’apprentissage automatique simplifiés.
- Surveiller les environnements urbains pour détecter les anomalies de maintenance et de sécurité.
Alternatives à Ultralytics
Avis sur Ultralytics
L’entraînement de modèles personnalisés est incroyablement rapide, et les options d’exportation pour les appareils embarqués comme le Jetson Orin sont une aubaine pour notre pipeline de production.
C’est le moyen le plus simple de passer d’images brutes à une preuve de concept fonctionnelle, bien que le code puisse faire un peu l’effet d’une boîte noire lorsque vous avez besoin d’une personnalisation poussée.
Les performances de YOLO sur mobile sont impressionnantes, mais j’ai trouvé que la documentation pour les scénarios de déploiement avancés peut être un peu maigre et difficile à naviguer.
Excellent pour le prototypage rapide avec la CLI, mais préparez-vous à la licence AGPL restrictive si vous prévoyez de garder votre projet à code source fermé.
Questions fréquentes
Quelle est la configuration système minimale requise pour exécuter Ultralytics YOLO ?
Pour exécuter Ultralytics YOLO, vous avez besoin d’au moins Python 3.8 et PyTorch 1.8, bien qu’il soit fortement recommandé d’utiliser un GPU compatible CUDA pour un traitement et un entraînement plus rapides.
Ultralytics YOLO prend-il en charge le suivi d’objets en temps réel ?
Oui, Ultralytics YOLO inclut une prise en charge intégrée du suivi multi-objets, permettant aux utilisateurs de suivre les objets détectés à travers les images vidéo à l’aide d’une seule commande ou de fonctions Python spécialisées.
Puis-je exporter des modèles YOLO vers d’autres formats pour une utilisation mobile ?
Les modèles Ultralytics peuvent être exportés vers divers formats, notamment TFLite et CoreML pour une intégration dans les applications Android et iOS, ainsi qu’ONNX et TensorRT pour les appareils en périphérie.
Quels sont les composants principaux de l’architecture YOLO ?
L’architecture YOLO se compose d’un Backbone pour l’extraction de caractéristiques, d’un Neck pour la fusion des caractéristiques multi-échelles, et d’une Head pour effectuer les prédictions finales telles que les boîtes englobantes et les probabilités de classe.
Ultralytics propose-t-il un support pour les organisations d’entreprise ?
Oui, Ultralytics propose un support Enterprise qui inclut un canal Slack dédié, des temps de réponse garantis via un SLA, ainsi que des services d’ingénierie personnalisés pour les déploiements à grande échelle.
La confidentialité des données est-elle préservée lors de l’utilisation de la plateforme Ultralytics ?
Ultralytics respecte des réglementations strictes en matière de protection des données et collecte principalement des données anonymisées pour améliorer ses outils, garantissant ainsi que les informations sensibles des utilisateurs restent sécurisées.
Outils similaires
RowsRows est un tableur alimenté par l'IA qui se connecte à des outils de données en direct pour l'analyse, la classification et
AppenAppen fournit des données annotées par des humains, de haute qualité, ainsi qu'une évaluation experte pour créer et développer des modèles d'IA
SciteScite AI est un outil de citation intelligent qui évalue la crédibilité de la recherche en révélant si les articles soutiennent ou