{"id":73,"date":"2026-05-18T12:37:31","date_gmt":"2026-05-18T12:37:31","guid":{"rendered":"https:\/\/convly.ai\/yolo-v9-object-detection\/"},"modified":"2026-06-10T05:06:00","modified_gmt":"2026-06-10T05:06:00","slug":"yolo-v9-object-detection","status":"publish","type":"post","link":"https:\/\/convly.ai\/fr\/yolo-v9-object-detection\/","title":{"rendered":"D\u00e9tection d'objets en temps r\u00e9el avec YOLO : un guide pratique (2026)"},"content":{"rendered":"<p>Si vous avez d\u00e9j\u00e0 vu une d\u00e9monstration d'IA qui trace des cadres autour des personnes, des voitures et des objets dans une vid\u00e9o en direct \u2014 instantan\u00e9ment, au fur et \u00e0 mesure que la vid\u00e9o d\u00e9file \u2014, vous avez tr\u00e8s certainement vu <strong>YOLO<\/strong>. Il s'agit du syst\u00e8me de d\u00e9tection d'objets en temps r\u00e9el le plus populaire dans le domaine de la vision par ordinateur, et il est utilis\u00e9 dans de nombreux domaines, des cam\u00e9ras de s\u00e9curit\u00e9 \u00e0 la robotique. Ce guide explique ce qu'est YOLO, comment il fonctionne et comment commencer \u00e0 l'utiliser.<\/p>\n<div class=\"convly-tldr\">\n<h3>Points cl\u00e9s<\/h3>\n<ul>\n<li><strong>YOLO<\/strong> (\u201c You Only Look Once \u201d) d\u00e9tecte et localise plusieurs objets dans une image en un seul passage.<\/li>\n<li><strong>Ce seul passage<\/strong> C'est pourquoi il est suffisamment rapide pour la vid\u00e9o en temps r\u00e9el.<\/li>\n<li><strong>Il a connu de nombreuses versions au fil du temps<\/strong> \u2014 chacune plus rapide et plus pr\u00e9cise que la pr\u00e9c\u00e9dente.<\/li>\n<li><strong>C'est accessible aux d\u00e9butants<\/strong> \u2014 Les outils YOLO modernes vous permettent d'effectuer une d\u00e9tection en quelques lignes de code.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a52d0f3a3099\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Basculer<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a52d0f3a3099\"  aria-label=\"Basculer\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/fr\/yolo-v9-object-detection\/#What_is_object_detection\" >Qu'est-ce que la d\u00e9tection d'objets ?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/fr\/yolo-v9-object-detection\/#What_is_YOLO\" >Qu'est-ce que YOLO ?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/fr\/yolo-v9-object-detection\/#How_YOLO_works\" >Comment fonctionne YOLO ?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/fr\/yolo-v9-object-detection\/#The_evolution_of_YOLO\" >L'\u00e9volution de YOLO<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/fr\/yolo-v9-object-detection\/#What_YOLO_is_used_for\" >\u00c0 quoi sert YOLO ?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/fr\/yolo-v9-object-detection\/#YOLOs_strengths_and_limits\" >Les atouts et les limites de YOLO<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/fr\/yolo-v9-object-detection\/#How_to_get_started_with_YOLO\" >Comment se lancer avec YOLO<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/fr\/yolo-v9-object-detection\/#What_hardware_do_you_need_to_run_YOLO_in_real_time\" >De quel mat\u00e9riel a-t-on besoin pour faire fonctionner YOLO en temps r\u00e9el ?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/fr\/yolo-v9-object-detection\/#FAQ\" >FAQ<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/convly.ai\/fr\/yolo-v9-object-detection\/#Bottom_line\" >Conclusion<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/convly.ai\/fr\/yolo-v9-object-detection\/#Related_articles\" >Articles connexes<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_is_object_detection\"><\/span>Qu'est-ce que la d\u00e9tection d'objets ?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Tout d'abord, la t\u00e2che que YOLO permet de r\u00e9soudre. <strong>D\u00e9tection d'objets<\/strong> r\u00e9pond \u00e0 deux questions sur une image en m\u00eame temps :<\/p>\n<ul>\n<li><strong>Quels objets sont pr\u00e9sents ?<\/strong> (classification)<\/li>\n<li><strong>O\u00f9 se trouve chacun d'entre eux ?<\/strong> (localisation \u2014 un cadre de s\u00e9lection autour de l'\u00e9l\u00e9ment)<\/li>\n<\/ul>\n<p>C'est plus complexe que la simple classification d'images, qui se contente d'indiquer \u201c cette image contient un chien \u201d. La d\u00e9tection d'objets, quant \u00e0 elle, indique \u201c il y a un chien \u00bb. <em>ici<\/em>, une personne <em>l\u00e0-bas<\/em>, et deux voitures <em>l\u00e0-bas<\/em>\u201d \u2014 identifier et localiser chaque objet, souvent plusieurs \u00e0 la fois.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_is_YOLO\"><\/span>Qu'est-ce que YOLO ?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>YOLO signifie <strong>\u201c On ne regarde qu\u2019une seule fois. \u201d<\/strong> Ce nom r\u00e9sume bien son innovation principale. Les syst\u00e8mes de d\u00e9tection ant\u00e9rieurs \u00e9taient lents car ils fonctionnaient par \u00e9tapes : ils proposaient d\u2019abord de nombreuses zones susceptibles de contenir un objet, puis examinaient chacune d\u2019elles s\u00e9par\u00e9ment. Examiner des milliers de zones une par une prend du temps \u2014 trop de temps pour une vid\u00e9o en direct.<\/p>\n<p>YOLO adopte une approche diff\u00e9rente. Il se concentre sur le <strong>l'image enti\u00e8re, une seule fois<\/strong> et pr\u00e9dit tous les objets ainsi que toutes leurs bo\u00eetes en un seul passage \u00e0 travers un <a href=\"\/fr\/neural-networks-explained\/\">r\u00e9seau neuronal<\/a>. Un seul regard, toutes les r\u00e9ponses.<\/p>\n<p>C'est gr\u00e2ce \u00e0 cette conception que YOLO est si rapide. La d\u00e9tection en temps r\u00e9el implique le traitement d'un grand nombre d'images par seconde, et l'approche en un seul passage de YOLO permet d'y parvenir m\u00eame sur du mat\u00e9riel modeste \u2014 c'est pr\u00e9cis\u00e9ment pour cette raison qu'il est devenu le choix par d\u00e9faut pour les applications en temps r\u00e9el.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_YOLO_works\"><\/span>Comment fonctionne YOLO ?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Voici, en gros, ce qui se passe \u00e0 l'int\u00e9rieur :<\/p>\n<ol>\n<li><strong>Divisez l'image en une grille.<\/strong> YOLO divise conceptuellement l'image en une grille de cellules.<\/li>\n<li><strong>Chaque cellule \u00e9met des pr\u00e9visions.<\/strong> Chaque cellule fournit des rectangles de d\u00e9limitation pour les objets qui s'y trouvent au centre, un score de confiance pour chaque rectangle, ainsi que la classe \u00e0 laquelle appartient l'objet.<\/li>\n<li><strong>M\u00e9langez le tout.<\/strong> Toutes les pr\u00e9visions concernant l'ensemble de la grille sont regroup\u00e9es.<\/li>\n<li><strong>Supprimer les chevauchements.<\/strong> Il arrive souvent qu\u2019un m\u00eame objet soit pr\u00e9dit par plusieurs cellules voisines. Une \u00e9tape appel\u00e9e <em>suppression des valeurs non maximales<\/em> supprime les doublons, en ne conservant que la meilleure bo\u00eete pour chaque objet.<\/li>\n<\/ol>\n<p>R\u00e9sultat : un r\u00e9seau neuronal, un seul passage, un ensemble complet de cadres \u00e9tiquet\u00e9s \u2014 le tout en un clin d'\u0153il.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_evolution_of_YOLO\"><\/span>L'\u00e9volution de YOLO<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>YOLO n'est pas un mod\u00e8le unique et fig\u00e9 : il s'agit d'une famille de mod\u00e8les qui n'a cess\u00e9 de s'am\u00e9liorer depuis sa premi\u00e8re version. Chaque nouvelle version (la s\u00e9rie en compte d\u00e9sormais plus d'une dizaine, y compris la v9 et les versions suivantes) a poursuivi les deux m\u00eames objectifs : <strong>une plus grande pr\u00e9cision<\/strong> et <strong>une vitesse plus \u00e9lev\u00e9e<\/strong>, tout en restant suffisamment performant pour une utilisation en temps r\u00e9el.<\/p>\n<p>Concr\u00e8tement, la le\u00e7on \u00e0 retenir est simple : utilisez une version r\u00e9cente et bien prise en charge. Les versions les plus r\u00e9centes sont plus rapides. <em>et<\/em> Elles sont plus pr\u00e9cises que les anciennes et s\u2019accompagnent d\u2019outils aboutis et faciles \u00e0 utiliser. Ne vous prenez pas la t\u00eate avec le num\u00e9ro de version exact : choisissez une version r\u00e9cente dot\u00e9e d\u2019une bonne documentation.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_YOLO_is_used_for\"><\/span>\u00c0 quoi sert YOLO ?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La d\u00e9tection en temps r\u00e9el est utile dans presque tous les domaines :<\/p>\n<ul>\n<li><strong>S\u00e9curit\u00e9 et surveillance<\/strong> \u2014 d\u00e9tecter des personnes, des v\u00e9hicules ou des objets laiss\u00e9s sans surveillance dans les images film\u00e9es par les cam\u00e9ras.<\/li>\n<li><strong>V\u00e9hicules autonomes<\/strong> \u2014 la d\u00e9tection des voitures, des pi\u00e9tons et des obstacles, qui s'inscrit dans le cadre plus large de <a href=\"\/fr\/computer-vision-self-driving-cars\/\">syst\u00e8me de perception pour v\u00e9hicules autonomes<\/a>.<\/li>\n<li><strong>Commerce de d\u00e9tail<\/strong> \u2014 compter les clients, analyser la fr\u00e9quentation, surveiller les rayons.<\/li>\n<li><strong>Fabrication<\/strong> \u2014 rep\u00e9rer les d\u00e9fauts et les pi\u00e8ces manquantes sur les cha\u00eenes de production.<\/li>\n<li><strong>Agriculture<\/strong> \u2014 recenser les cultures et le cheptel, ou d\u00e9tecter la pr\u00e9sence de ravageurs \u00e0 partir d'images prises par drone.<\/li>\n<li><strong>Analyse des donn\u00e9es sportives<\/strong> \u2014 le suivi en temps r\u00e9el des joueurs et du ballon.<\/li>\n<li><strong>Robotique<\/strong> \u2014 permettre aux robots de voir les objets qui les entourent et d'y r\u00e9agir.<\/li>\n<\/ul>\n<p>Partout o\u00f9 une machine doit comprendre le contenu d'une vid\u00e9o <em>en fait<\/em>, YOLO est le choix id\u00e9al.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"YOLOs_strengths_and_limits\"><\/span>Les atouts et les limites de YOLO<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Points forts<\/th>\n<th>Limitations<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Tr\u00e8s rapide \u2014 fonctionne en temps r\u00e9el<\/td>\n<td>Peut avoir du mal \u00e0 manipuler des objets tr\u00e8s petits<\/td>\n<\/tr>\n<tr>\n<td>Une bonne pr\u00e9cision compte tenu de sa vitesse<\/td>\n<td>Les objets tr\u00e8s rapproch\u00e9s peuvent passer inaper\u00e7us<\/td>\n<\/tr>\n<tr>\n<td>A une vision globale de l'image \u2014 moins de faux positifs sur l'arri\u00e8re-plan<\/td>\n<td>L\u00e9g\u00e8rement moins pr\u00e9cis que les d\u00e9tecteurs les plus lents et les plus lourds<\/td>\n<\/tr>\n<tr>\n<td>Des outils \u00e9prouv\u00e9s et adapt\u00e9s aux d\u00e9butants<\/td>\n<td>Pour obtenir les meilleurs r\u00e9sultats, il faut toujours disposer de donn\u00e9es d'entra\u00eenement sp\u00e9cifiques \u00e0 la t\u00e2che<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Le compromis fondamental : YOLO est optimis\u00e9 pour la <strong>\u00e9quilibre entre vitesse et pr\u00e9cision<\/strong>. Quelques mod\u00e8les de recherche affichent une pr\u00e9cision l\u00e9g\u00e8rement sup\u00e9rieure, mais ils sont trop lents pour une utilisation en temps r\u00e9el. Pour la grande majorit\u00e9 des applications pratiques, YOLO offre un \u00e9quilibre parfait.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"How_to_get_started_with_YOLO\"><\/span>Comment se lancer avec YOLO<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>En 2026, les barri\u00e8res \u00e0 l'entr\u00e9e sont faibles :<\/p>\n<ol>\n<li><strong>Utilisez une biblioth\u00e8que YOLO moderne.<\/strong> Les outils YOLO actuels sont bien pr\u00e9sent\u00e9s : vous pouvez les installer et lancer la d\u00e9tection \u00e0 l'aide d'une version r\u00e9cente <strong>mod\u00e8le pr\u00e9-entra\u00een\u00e9<\/strong> en quelques lignes de Python seulement.<\/li>\n<li><strong>Commencez par un mod\u00e8le pr\u00e9-entra\u00een\u00e9.<\/strong> Ces outils reconnaissent d'embl\u00e9e des dizaines de types d'objets courants. Testez-en un sur vos propres images ou via votre webcam pour constater imm\u00e9diatement que la d\u00e9tection fonctionne.<\/li>\n<li><strong>Entra\u00eenez le mod\u00e8le sur vos propres donn\u00e9es lorsque cela est n\u00e9cessaire.<\/strong> Pour d\u00e9tecter un \u00e9l\u00e9ment sp\u00e9cifique \u2014 un produit particulier, une cat\u00e9gorie personnalis\u00e9e \u2014, il suffit de collecter et d'\u00e9tiqueter des images d'exemple, puis d'affiner le mod\u00e8le YOLO \u00e0 partir de celles-ci. Les outils \u00e9prouv\u00e9s simplifient grandement ce processus.<\/li>\n<li><strong>Faites attention \u00e0 votre mat\u00e9riel.<\/strong> YOLO fonctionne sur un ordinateur classique, mais l'utilisation d'un GPU acc\u00e9l\u00e8re consid\u00e9rablement aussi bien l'entra\u00eenement que la d\u00e9tection \u00e0 fr\u00e9quence d'images \u00e9lev\u00e9e.<\/li>\n<\/ol>\n<p><!--ai-enriched--><\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_hardware_do_you_need_to_run_YOLO_in_real_time\"><\/span>De quel mat\u00e9riel a-t-on besoin pour faire fonctionner YOLO en temps r\u00e9el ?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>\u201cL'expression \u201d en temps r\u00e9el \u00bb a une signification pr\u00e9cise : le mod\u00e8le doit traiter chaque image vid\u00e9o en moins de environ <strong>33 millisecondes<\/strong>, c'est le seuil \u00e0 atteindre pour obtenir 30 images par seconde. Si vous y parvenez, les d\u00e9tections suivent le rythme d'une cam\u00e9ra en direct ; si vous ne l'atteignez pas, le flux s'interrompt ou perd des images. Le fait de franchir ou non ce seuil d\u00e9pend presque enti\u00e8rement du mat\u00e9riel utilis\u00e9, et c'est l\u00e0 que la plupart des projets de d\u00e9butants \u00e9chouent.<\/p>\n<p>Le facteur le plus d\u00e9terminant est le GPU. Sur un CPU, m\u00eame un petit mod\u00e8le YOLO tourne g\u00e9n\u00e9ralement bien en dessous de 30 images par seconde (FPS) en mode vid\u00e9o, ce qui convient pour traiter un dossier d\u2019images mais pas pour un streaming en direct. Si l\u2019on transf\u00e8re ce m\u00eame mod\u00e8le sur un GPU NVIDIA, l\u2019inf\u00e9rence s\u2019ex\u00e9cute g\u00e9n\u00e9ralement <strong>10 \u00e0 50 fois plus rapide<\/strong>, d\u00e9passant largement les exigences en temps r\u00e9el. Pour l'entra\u00eenement ou l'ex\u00e9cution de la suite d'outils Ultralytics, il vous faut une carte NVIDIA compatible CUDA (Compute Capability 6.0 ou plus r\u00e9cente) dot\u00e9e d'au moins <strong>8 Go de m\u00e9moire vid\u00e9o<\/strong>; Une capacit\u00e9 de 12 \u00e0 16 Go vous offre une marge de man\u0153uvre suffisante pour des mod\u00e8les plus volumineux et des lots d'apprentissage plus importants.<\/p>\n<p>Trois niveaux pratiques couvrent pratiquement tous les projets :<\/p>\n<table class=\"convly-vs\">\n<tr>\n<td><strong>Configuration<\/strong><\/td>\n<td><strong>Id\u00e9al pour<\/strong><\/td>\n<td><strong>Une vid\u00e9o en temps r\u00e9el ?<\/strong><\/td>\n<\/tr>\n<tr>\n<td>Processeur uniquement (ordinateur portable)<\/td>\n<td>Apprentissage, traitement d'images par lots, prototypage<\/td>\n<td>Rarement \u2014 uniquement les petits mod\u00e8les, faible r\u00e9solution<\/td>\n<\/tr>\n<tr>\n<td>Carte graphique NVIDIA pour ordinateur de bureau (s\u00e9rie RTX, 8 Go et plus)<\/td>\n<td>Entra\u00eenement de mod\u00e8les personnalis\u00e9s, diffusions \u00e0 haut FPS<\/td>\n<td>Oui \u2014 les petits mod\u00e8les d\u00e9passent souvent les 60 images par seconde<\/td>\n<\/tr>\n<tr>\n<td>Carte embarqu\u00e9e (par exemple, Jetson Orin Nano)<\/td>\n<td>Cam\u00e9ras d\u00e9ploy\u00e9es, robotique, inf\u00e9rence sur site<\/td>\n<td>Oui \u2014 environ 30 \u00e0 60 images par seconde avec l'optimisation TensorRT<\/td>\n<\/tr>\n<\/table>\n<p>Voici quelques \u00e9l\u00e9ments qui font davantage la diff\u00e9rence que l'achat d'une carte plus puissante. <strong>La taille du mod\u00e8le est le facteur le plus important<\/strong>: les versions \u00ab nano \u00bb et \u00ab small \u00bb sont con\u00e7ues pour fonctionner en temps r\u00e9el sur du mat\u00e9riel modeste, tandis que les versions les plus puissantes privil\u00e9gient la pr\u00e9cision au d\u00e9triment de la vitesse et n\u00e9cessitent une carte graphique plus performante. <strong>L'optimisation est indispensable en p\u00e9riph\u00e9rie<\/strong>: l'exportation vers TensorRT avec une pr\u00e9cision FP16 permet de doubler approximativement le d\u00e9bit sur les appareils Jetson par rapport \u00e0 l'ex\u00e9cution directe de PyTorch, ce qui se traduit souvent par une diff\u00e9rence comprise entre 20 et 40 images par seconde. Et <strong>r\u00e9solution d'entr\u00e9e<\/strong> c'est un levier direct : le r\u00e9duire de moiti\u00e9 diminue la charge de calcul \u00e0 peu pr\u00e8s dans les m\u00eames proportions.<\/p>\n<p>En r\u00e9sum\u00e9 : vous n\u2019avez pas besoin d\u2019un GPU de centre de donn\u00e9es pour utiliser YOLO en temps r\u00e9el. Une carte graphique de jeu de milieu de gamme suffit pour l\u2019entra\u00eenement et l\u2019inf\u00e9rence \u00e0 haut FPS, tandis qu\u2019une carte embarqu\u00e9e de moins de $300 permet le d\u00e9ploiement. Choisissez la variante du mod\u00e8le adapt\u00e9e \u00e0 votre mat\u00e9riel avant de commencer, et non apr\u00e8s.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"FAQ\"><\/span>FAQ<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Qu'est-ce que YOLO dans la d\u00e9tection d'objets ?<\/h3>\n<p>YOLO (\u201c You Only Look Once \u201d) est un syst\u00e8me de d\u00e9tection d'objets en temps r\u00e9el. Il identifie plusieurs objets dans une image et trace un cadre de d\u00e9limitation autour de chacun d'entre eux \u2014 vous indiquant ainsi quels objets sont pr\u00e9sents et o\u00f9 ils se trouvent \u2014 en un seul passage \u00e0 travers un r\u00e9seau neuronal.<\/p>\n<h3>Pourquoi YOLO est-il si rapide ?<\/h3>\n<p>YOLO analyse l'image dans son int\u00e9gralit\u00e9 en un seul passage \u00e0 travers un r\u00e9seau neuronal, pr\u00e9disant ainsi tous les objets et toutes les zones de d\u00e9tection en une seule fois. Les anciens syst\u00e8mes de d\u00e9tection examinaient s\u00e9par\u00e9ment des milliers de zones de l'image, ce qui \u00e9tait lent. C'est gr\u00e2ce \u00e0 sa conception \u00ab en un seul passage \u00bb que YOLO permet une d\u00e9tection en temps r\u00e9el.<\/p>\n<h3>YOLO est-il adapt\u00e9 aux d\u00e9butants ?<\/h3>\n<p>Oui. Les biblioth\u00e8ques YOLO modernes sont bien document\u00e9es et faciles \u00e0 utiliser : il suffit de quelques lignes de code Python pour lancer une d\u00e9tection \u00e0 l'aide d'un mod\u00e8le pr\u00e9-entra\u00een\u00e9. C'est l'un des moyens les plus accessibles de se lancer dans la vision par ordinateur.<\/p>\n<h3>Que peut d\u00e9tecter YOLO ?<\/h3>\n<p>Un mod\u00e8le YOLO est capable de d\u00e9tecter tout ce sur quoi il a \u00e9t\u00e9 entra\u00een\u00e9. Les mod\u00e8les pr\u00e9-entra\u00een\u00e9s reconnaissent d'embl\u00e9e des dizaines de types d'objets courants \u2014 personnes, v\u00e9hicules, animaux, objets du quotidien \u2014 d\u00e8s leur installation. Pour d\u00e9tecter des objets sp\u00e9cifiques ou personnalis\u00e9s, il suffit d'affiner le mod\u00e8le YOLO \u00e0 l'aide de vos propres images annot\u00e9es.<\/p>\n<h3>Quelle version de YOLO dois-je utiliser ?<\/h3>\n<p>Utilisez une version r\u00e9cente et bien prise en charge. YOLO a \u00e9volu\u00e9 au fil de nombreuses versions, chacune plus rapide et plus pr\u00e9cise que la pr\u00e9c\u00e9dente, et les plus r\u00e9centes s'accompagnent d'outils aboutis. Plut\u00f4t que de vous focaliser sur le num\u00e9ro de version exact, optez pour une version actuelle dot\u00e9e d'une documentation compl\u00e8te.<\/p>\n<h3>Puis-je utiliser YOLO gratuitement dans un produit commercial ?<\/h3>\n<p>Ce n'est pas automatique : la question des licences est l'\u00e9cueil le plus souvent n\u00e9glig\u00e9. Le d\u00e9p\u00f4t original de YOLOv9 est publi\u00e9 sous licence GPL-3.0, tandis que les impl\u00e9mentations populaires d'Ultralytics (utilis\u00e9es pour ex\u00e9cuter de nombreuses versions de YOLO) sont sous licence AGPL-3.0. Ces deux licences rel\u00e8vent du copyleft : si vous commercialisez un produit bas\u00e9 sur ce code ou ces poids, vous devez publier l'int\u00e9gralit\u00e9 de votre application en open source sous la m\u00eame licence. Pour que votre code reste ferm\u00e9 et propri\u00e9taire, vous devez souscrire une licence Ultralytics Enterprise payante. Cela vaut aussi bien pour la R&amp;D interne que pour les outils destin\u00e9s aux clients ; v\u00e9rifiez donc les conditions de la licence avant de d\u00e9velopper votre produit, et non apr\u00e8s.<\/p>\n<h3>De combien d'images annot\u00e9es ai-je besoin pour entra\u00eener YOLO sur mes propres objets ?<\/h3>\n<p>Bien moins que pour un apprentissage partant de z\u00e9ro, gr\u00e2ce \u00e0 l\u2019apprentissage par transfert. En partant de poids COCO pr\u00e9-entra\u00een\u00e9s, il est souvent possible d\u2019obtenir un prototype fonctionnel avec seulement quelques centaines d\u2019images correctement annot\u00e9es par classe. Pour obtenir un mod\u00e8le de production robuste, Ultralytics recommande de viser environ 1 500 images et quelque 10 000 instances \u00e9tiquet\u00e9es par classe. La qualit\u00e9 et la diversit\u00e9 des \u00e9tiquettes \u2014 variation de l\u2019\u00e9clairage, des angles, des arri\u00e8re-plans et des occlusions \u2014 importent davantage que le nombre brut, et les techniques d\u2019augmentation int\u00e9gr\u00e9es permettent d\u2019exploiter davantage un ensemble de donn\u00e9es modeste.<\/p>\n<h3>Faut-il ma\u00eetriser le deep learning pour affiner le mod\u00e8le YOLO ?<\/h3>\n<p>Non. Le r\u00e9glage fin sur un ensemble de donn\u00e9es personnalis\u00e9 consiste principalement en la pr\u00e9paration des donn\u00e9es et en quelques commandes, et non en th\u00e9orie des r\u00e9seaux neuronaux. Le plus gros du travail r\u00e9side dans la collecte et l'annotation pr\u00e9cise des images ; l'\u00e9tape d'apprentissage elle-m\u00eame est en grande partie automatis\u00e9e. Une connaissance de base de Python et de la ligne de commande suffit pour faire fonctionner un d\u00e9tecteur personnalis\u00e9.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Bottom_line\"><\/span>Conclusion<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>YOLO a rendu la d\u00e9tection d\u2019objets en temps r\u00e9el accessible en rempla\u00e7ant les pipelines lents \u00e0 plusieurs \u00e9tapes par une seule analyse rapide de l\u2019image dans son ensemble. C\u2019est gr\u00e2ce \u00e0 cette id\u00e9e \u2014 \u201c on ne regarde qu\u2019une seule fois \u201d \u2014 qu\u2019elle est au c\u0153ur des syst\u00e8mes de s\u00e9curit\u00e9, des v\u00e9hicules autonomes, de l\u2019analyse des donn\u00e9es dans le commerce de d\u00e9tail, de la robotique et d\u2019innombrables autres applications.<\/p>\n<p>Ce n'est pas le d\u00e9tecteur le plus pr\u00e9cis qui existe, mais c'est celui qui offre les meilleures performances <em>solde<\/em> entre vitesse et pr\u00e9cision, et c\u2019est pr\u00e9cis\u00e9ment cet \u00e9quilibre dont les applications concr\u00e8tes ont besoin. Mieux encore, cette technologie est v\u00e9ritablement accessible : il suffit de choisir une version r\u00e9cente, de partir d\u2019un mod\u00e8le pr\u00e9-entra\u00een\u00e9, et vous pouvez mettre en place un syst\u00e8me de d\u00e9tection d\u2019objets d\u00e8s aujourd\u2019hui. Pour une vision plus globale, d\u00e9couvrez comment la d\u00e9tection s\u2019int\u00e8gre dans <a href=\"\/fr\/computer-vision-self-driving-cars\/\">la vision par ordinateur pour les voitures autonomes<\/a>.<\/p>\n<p><!--related-block--><\/p>\n<div class=\"convly-related\">\n<h2><span class=\"ez-toc-section\" id=\"Related_articles\"><\/span>Articles connexes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><a href=\"https:\/\/convly.ai\/fr\/computer-vision-self-driving-cars\/\">Comment la vision par ordinateur alimente les voitures autonomes (Guide 2026)<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/fr\/claude-5-new-ai-models-june-2026\/\">Existe-t-il un Claude 5 ? Claude Fable 5 et tous les principaux mod\u00e8les d\u2019IA de juin 2026<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/fr\/veo-3-vs-kling-3-for-ai-video-2026\/\">Veo 3.1 contre Kling 3.0 pour la vid\u00e9o IA en 2026 : lequel remporte la palme du r\u00e9alisme ?<\/a><\/li>\n<\/ul>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>YOLO est le syst\u00e8me de d\u00e9tection d'objets en temps r\u00e9el le plus populaire dans le domaine de la vision par ordinateur. Ce guide explique comment il fonctionne, pourquoi il est si rapide et comment commencer \u00e0 l'utiliser.<\/p>","protected":false},"author":0,"featured_media":74,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[4],"tags":[488,498,499,497,500],"class_list":["post-73","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-computer-vision","tag-computer-vision","tag-object-detection","tag-real-time-detection","tag-yolo","tag-yolo-guide"],"_links":{"self":[{"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/posts\/73","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/types\/post"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/comments?post=73"}],"version-history":[{"count":3,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/posts\/73\/revisions"}],"predecessor-version":[{"id":1035,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/posts\/73\/revisions\/1035"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/media\/74"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/media?parent=73"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/categories?post=73"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/fr\/wp-json\/wp\/v2\/tags?post=73"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}