> ## Documentation Index
> Fetch the complete documentation index at: https://docs.wandb.ai/llms.txt
> Use this file to discover all available pages before exploring further.
# Ultralytics YOLO
> Utilisez W&B avec les modèles Ultralytics YOLO pour le suivi des expériences, l’enregistrement de points de contrôle du modèle et la visualisation en vision par ordinateur.
export const ColabLink = ({url}) =>
Essayer sur Colab
;
[Ultralytics](https://github.com/ultralytics/ultralytics) est la référence pour les modèles de vision par ordinateur de pointe destinés à des tâches comme la classification d’images, la détection d’objets, la segmentation d’images et l’estimation de pose. Il héberge non seulement [YOLOv8](https://docs.ultralytics.com/models/yolov8/), la dernière itération de la série YOLO de modèles de détection d’objets en temps réel, mais aussi d’autres modèles puissants de vision par ordinateur comme [SAM (Segment Anything Model)](https://docs.ultralytics.com/models/sam/#introduction-to-sam-the-segment-anything-model), [RT-DETR](https://docs.ultralytics.com/models/rtdetr/), [YOLO-NAS](https://docs.ultralytics.com/models/yolo-nas/), etc. En plus de proposer des implémentations de ces modèles, Ultralytics fournit également des flux de travail prêts à l’emploi pour entraîner, effectuer le Fine-tuning et utiliser ces modèles à l’aide d’une API simple d’utilisation.
## Premiers pas
1. Installez `ultralytics` et `wandb`.
```shell theme={null}
pip install --upgrade ultralytics==8.0.238 wandb
# ou
# conda install ultralytics
```
```bash theme={null}
!pip install --upgrade ultralytics==8.0.238 wandb
```
L'équipe de développement a testé l'intégration avec `ultralyticsv8.0.238` et les versions antérieures. Pour signaler tout problème lié à l'intégration, créez une [GitHub issue](https://github.com/wandb/wandb/issues/new?template=sdk-bug.yml) avec le tag `yolov8`.
## Suivre les expériences et visualiser les résultats de validation
Cette section présente un flux de travail typique qui consiste à utiliser un modèle [Ultralytics](https://docs.ultralytics.com/modes/predict/) pour l'entraînement, le fine-tuning et la validation, ainsi qu'à effectuer le suivi des expériences, l'enregistrement de point de contrôle du modèle et la visualisation des performances du modèle avec [W\&B](https://wandb.ai/site).
Vous pouvez également en savoir plus sur l'intégration dans ce rapport : [Supercharging Ultralytics with W\&B](https://wandb.ai/geekyrakshit/ultralytics/reports/Supercharging-Ultralytics-with-Weights-Biases--Vmlldzo0OTMyMDI4)
Pour utiliser l'intégration W\&B avec Ultralytics, importez la fonction `wandb.integration.ultralytics.add_wandb_callback`.
```python theme={null}
import wandb
from wandb.integration.ultralytics import add_wandb_callback
from ultralytics import YOLO
```
Initialisez le modèle `YOLO` de votre choix, puis appelez la fonction `add_wandb_callback` sur celui-ci avant d'exécuter une inférence avec le modèle. Cela garantit que, lors de l'entraînement, du fine-tuning, de la validation ou de l'inférence, les logs de l'expérience ainsi que les images avec la vérité terrain et les résultats de prédiction correspondants superposés sont automatiquement enregistrés dans W\&B à l'aide des [superpositions interactives pour les tâches de vision par ordinateur](/fr/models/track/log/media/#image-overlays-in-tables), ainsi que des informations supplémentaires dans un [`wandb.Table`](/fr/models/tables/).
```python theme={null}
with wandb.init(project="ultralytics", job_type="train") as run:
# Initialiser le modèle YOLO
model = YOLO("yolov8n.pt")
# Ajouter le callback W&B pour Ultralytics
add_wandb_callback(model, enable_model_checkpointing=True)
# Entraîner/affiner votre modèle
# À la fin de chaque époque, les prédictions sur les lots de validation sont enregistrées
# dans un tableau W&B avec des superpositions interactives et pertinentes pour
# les tâches de vision par ordinateur
model.train(project="ultralytics", data="coco128.yaml", epochs=5, imgsz=640)
```
Voici à quoi ressemblent les expériences suivies avec W\&B dans un flux de travail Ultralytics d'entraînement ou de fine-tuning :
Cette section présente un flux de travail typique qui consiste à utiliser un modèle [Ultralytics](https://docs.ultralytics.com/modes/predict/) pour l’inférence et à visualiser les résultats avec [W\&B](https://wandb.ai/site).
Vous pouvez essayer le code dans Google Colab : [Ouvrir dans Colab](https://wandb.me/ultralytics-inference).
Vous pouvez également en savoir plus sur cette intégration dans ce rapport : [Supercharging Ultralytics with W\&B](https://wandb.ai/geekyrakshit/ultralytics/reports/Supercharging-Ultralytics-with-Weights-Biases--Vmlldzo0OTMyMDI4)
Pour utiliser l’intégration W\&B avec Ultralytics, vous devez importer la fonction `wandb.integration.ultralytics.add_wandb_callback`.
```python theme={null}
import wandb
from wandb.integration.ultralytics import add_wandb_callback
from ultralytics.engine.model import YOLO
```
Téléchargez quelques images pour tester l’intégration. Vous pouvez utiliser des images fixes, des vidéos ou des flux de caméra. Pour plus d’informations sur les sources d’inférence, consultez la [documentation Ultralytics](https://docs.ultralytics.com/modes/predict/).
```bash theme={null}
!wget https://raw.githubusercontent.com/wandb/examples/ultralytics/colabs/ultralytics/assets/img1.png
!wget https://raw.githubusercontent.com/wandb/examples/ultralytics/colabs/ultralytics/assets/img2.png
!wget https://raw.githubusercontent.com/wandb/examples/ultralytics/colabs/ultralytics/assets/img4.png
!wget https://raw.githubusercontent.com/wandb/examples/ultralytics/colabs/ultralytics/assets/img5.png
```
Initialisez un run W\&B [run](/fr/models/runs/) à l’aide de `wandb.init()`. Ensuite, initialisez le modèle `YOLO` de votre choix et appelez la fonction `add_wandb_callback` sur celui-ci avant d’exécuter une inférence avec le modèle. Cela garantit que, lorsque vous exécutez une inférence, les images avec vos [superpositions interactives pour les tâches de vision par ordinateur](/fr/models/track/log/media/#image-overlays-in-tables) sont automatiquement journalisées, avec des informations supplémentaires dans un [`wandb.Table`](/fr/models/tables/).
```python theme={null}
# Initialiser le run W&B
with wandb.init(project="ultralytics", job_type="inference") as run:
# Initialiser le modèle YOLO
model = YOLO("yolov8n.pt")
# Ajouter le callback W&B pour Ultralytics
add_wandb_callback(model, enable_model_checkpointing=True)
# Effectuer une prédiction qui journalise automatiquement dans un tableau W&B
# avec des superpositions interactives pour les boîtes englobantes et les masques de segmentation
model(
[
"./assets/img1.jpeg",
"./assets/img3.png",
"./assets/img4.jpeg",
"./assets/img5.jpeg",
]
)
```
Vous n’avez pas besoin d’initialiser explicitement un run avec `wandb.init()` dans le cadre d’un flux de travail d’entraînement ou de fine-tuning. En revanche, si le code effectue uniquement de la prédiction, vous devez créer explicitement un run.
Voici à quoi ressemble la superposition interactive de bbox :
Pour en savoir plus, voir le [guide des superpositions d’images W\&B](/fr/models/track/log/media/#image-overlays).
## Autres ressources
* [Optimiser Ultralytics avec W\&B](https://wandb.ai/geekyrakshit/ultralytics/reports/Supercharging-Ultralytics-with-Weights-Biases--Vmlldzo0OTMyMDI4)
* [Détection d’objets avec YOLOv8 : un flux de travail de bout en bout](https://wandb.ai/reviewco/object-detection-bdd/reports/Object-Detection-using-YOLOv8-An-End-to-End-Workflow--Vmlldzo1NTAyMDQ1)