.webp)
Qu’est-ce que YOLOv5 ?
YOLOv5 est un modèle d’intelligence artificielle utilisé pour détecter des objets dans une image ou une vidéo. Il est rapide, précis et léger, ce qui le rend populaire dans l’industrie.
Le nom YOLO signifie "You Only Look Once". Cela signifie que l’image n’est analysée qu’une seule fois pour identifier tous les objets. YOLOv5 est une version optimisée de cette approche.
Développé en 2020, YOLOv5 s’appuie sur le langage de programmation Python et la bibliothèque PyTorch. Il est utilisé dans de nombreuses applications industrielles.
À quoi sert YOLOv5 ?
YOLOv5 est utilisé pour automatiser la détection visuelle dans des contextes variés. Il permet d’identifier des objets en temps réel sur images ou vidéos.
Dans l’industrie, YOLOv5 peut repérer des défauts sur une ligne de production. En logistique, il peut surveiller le contenu des colis ou le placement sur les palettes.
En sécurité, il sert à reconnaître des comportements ou des intrusions via caméra. Dans l’automobile, il est utilisé pour détecter piétons, cyclistes et panneaux.
Comment fonctionne YOLOv5 ?
YOLOv5 fonctionne sur le principe du deep learning, une sous-catégorie de l’intelligence artificielle. Il utilise un réseau de neurones convolutif (CNN).
Ce réseau analyse une image en la découpant en zones. Chaque zone est évaluée pour détecter des objets, leurs positions et leurs catégories (personne, voiture, etc.).
YOLOv5 exécute cette opération en un seul passage (one-pass), ce qui le rend très rapide. Il peut détecter plusieurs objets en une seule étape.
Le modèle peut être entraîné avec des données spécifiques. Par exemple : reconnaître des pièces mécaniques précises ou des produits en magasin.
Différences avec des notions proches
YOLOv5 est souvent comparé à d’autres modèles de détection comme Faster R-CNN ou SSD. Contrairement à eux, il est plus rapide et souvent aussi précis.
Faster R-CNN utilise deux étapes : une pour détecter la zone, l’autre pour la classifier. YOLOv5 fait les deux en une seule étape.
En comparaison avec les versions précédentes (YOLOv3, YOLOv4), YOLOv5 est plus léger et plus facile à adapter. Il nécessite moins de ressources matérielles.
Il est aussi plus simple à déployer grâce à son intégration dans PyTorch, une bibliothèque populaire auprès des développeurs IA.
Exemples ou cas d’usage concrets
Dans un entrepôt, YOLOv5 peut vérifier si les colis sont correctement rangés sur les étagères. Il peut aussi compter le nombre d’articles en stock à partir d’une image.
Dans le secteur médical, il peut aider à détecter certaines anomalies sur des images radiographiques ou dermatologiques.
Pour une entreprise de transport, YOLOv5 peut surveiller les flux de véhicules aux péages ou aux parkings, en temps réel.
Dans la grande distribution, il permet d’identifier les produits manquants en rayon en analysant les images captées par des caméras en magasin.