How to use the trained model

Once you have finished training your model, how can you use it ?

If you are working in a Python environment, you can keep the model as it is. Otherwise, you need to export it. Exporting allows you to convert a YOLO model (originally in PyTorch .pt format) into a format optimized for specific hardware. This improves inference speed (for example, up to five times faster on GPUs using TensorRT) and reduces resource usage on mobile or embedded devices. You can find all the formats supported for exporting YOLO models on the dedicated documentation page, along with explanations of the export arguments listed above.

Si vous restez dans l'environnement Python que vous aviez lors de l'entrainement, pour utiliser votre modèle, il suffit d'utiliser les lignes suivantes :

from ultralytics import YOLO 

model = YOLO("best.pt") # Charger le meilleur modèle

results = model.predict(source="chemin_vers_votre_image/image.jpg", conf=0.25) # N'oubliez pas de spécifier le seuil optimal ici

L'objet results contient l'objet boxes. Et cet objet regroupe les informations suivantes pour chaque détection :

• coordonnées : accessibles via xyxy (pixels), xywh (coordonnées du centre/largeur/hauteur), ou leurs versions normalisées xyxyn et xywhn.
• confiance : l'attribut conf donne le score de probabilité (0 à 1) pour chaque boîte.
• classes : l'attribut cls contient l'index de la classe prédite.
• tracking : Si vous utilisez model.track(), l'attribut id contient les identifiants de suivi.

Voyons un exemple de code :

results = model("image.jpg")

for r in results:

print(r.boxes.xyxy) # Boîtes en format (x1, y1) (coordonnées du coin en haut à gauche) et (x2, y2) (coordonnées du coin en bas à droite)

print(r.boxes.conf) # Scores de confiance

print(r.boxes.cls) # Index des classes

Vous pouvez donc récupérer les informations qui vous intéresse de cette manière et les utiliser pour des calculs ou autre dans la suite de votre code.