For AI agents: the complete documentation index is available at https://docs.ovhcloud.com/fr/llms.txt, the full documentation bundle is available at https://docs.ovhcloud.com/fr/llms-full.txt, and this page is available as Markdown at https://docs.ovhcloud.com/fr/guides/public-cloud/ai-machine-learning/ai-notebooks-yolov7-sign-language.md.

AI Notebooks - Tutoriel - Entraîner YOLOv7 à reconnaître la langue des signes

Voir en Markdown

Découvrez comment entraîner le modèle YOLOv7 sur un ensemble de données personnalisé avec AI Notebooks

Objectif

L'objectif de ce tutoriel est de montrer comment il est possible d'entraîner YOLOv7 à reconnaître les lettres de l'American Sign Language. YOLOv7 est un algorithme de détection d'objets. Bien qu'étroitement lié à la classification d'images, la détection d'objets effectue une classification d'images à une échelle plus précise. La détection d'objets localise et catégorise les éléments dans les images.

JupyterLab affichant le notebook notebook_yolov7_asl_recognition ouvert sur le titre TUTORIAL Train YOLOv7 for American Sign Language recognition avec un schéma d'un modèle d'une caméra et d'un signe de la main détecté

Il repose sur le repository open source de YOLOv7.

Prérequis

Accès à l'espace client OVHcloud

  • Lien direct :
  • Chemin de navigation : Public Cloud > Sélectionnez votre projet

En pratique

Ce tutoriel repose sur l'American Sign Language Letters Dataset. Il est disponible gratuitement sur Roboflow.

Le dataset American Sign Language Letters est un dataset de détection d'objets pour chaque lettre de l'ASL, avec une bounding box. David Lee, data scientist spécialisé dans l'accessibilité, a constitué et publié ce dataset pour un usage public.

Info

Pour en savoir plus sur la licence de ce dataset, veuillez suivre ce lien.

Créer des conteneurs Object Storage

Si vous souhaitez le créer depuis l', rendez-vous dans la section Object Storage et créez un nouveau conteneur d'objets en cliquant sur Object Storage > Créer un conteneur d'objets.

Page Create an object container avec l'étape 1 Select a region ouverte sur l'onglet All locations proposant Beauharnois BHS Frankfurt DE Gravelines GRA Strasbourg SBG London UK et Warsaw WAW

Si vous souhaitez l'exécuter avec la CLI, suivez simplement ce guide. Vous devez choisir la région, le nom de votre conteneur et le chemin où se trouvent vos données, puis utiliser les commandes suivantes.

Warning

Dans ce tutoriel, vous devez créer 2 conteneurs d'objets.

  • Un conteneur d'objets asl-volov7-data dédié au dataset :
ovhai bucket create <region> asl-volov7-data
  • Un conteneur d'objets asl-volov7-model pour sauvegarder les poids du modèle (pour une future inférence par exemple) :
ovhai bucket create <region> asl-volov7-model
Warning

Ces deux conteneurs Object Storage seront vides au départ. Vous y ajouterez des données depuis le notebook.

Lancer et accéder à un notebook Jupyter avec le framework Miniconda

Vous devez attacher un volume si vos données se trouvent dans votre Object Storage OVHcloud et que vous souhaitez les utiliser pendant votre expérimentation, ou si vous devez sauvegarder les résultats de votre travail dans l'Object Storage. Pour plus d'informations sur les données, les volumes et les permissions, consultez notre guide sur les données.

Si vous souhaitez le lancer depuis l', suivez simplement ce guide.

  1. Nommez votre notebook
  2. Choisissez l’éditeur JupyterLab
  3. Sélectionnez le framework Miniconda
  4. Choisissez le type d’accès
  5. Sélectionnez la localisation du datacenter
  6. Choisissez le nombre de GPU ou de CPU dont vous avez besoin
  7. Attachez vos deux conteneurs
  8. Attachez des clés SSH publiques uniquement si vous le souhaitez
  9. Vérifiez que tout est correct et lancez votre notebook

Une fois le dépôt cloné, trouvez le notebook YOLOv7 en suivant ce chemin : ai-training-examples > notebooks > computer-vision > object-detection > miniconda > yolov7 > notebook_object_detection_yolov7.ipynb.

Si vous souhaitez le lancer avec la CLI, choisissez les volumes que vous souhaitez attacher et le nombre de GPU (<nb-gpus>) à utiliser pour votre notebook, puis utilisez la commande suivante :

ovhai notebook run conda jupyterlab \
	--name <name> \
	--gpu <nb-gpus> \
	--volume asl-volov7-data@<region>/:/workspace/data:RW \
	--volume asl-volov7-model@<region>/:/workspace/models_train:RW
Info

Pour ce tutoriel, nous vous conseillons d'utiliser au moins 2 GPU.

Vous pourrez ensuite accéder à l'URL de votre notebook une fois qu'il est en cours d'exécution.

Expérimenter avec le notebook YOLOv7

Vous êtes maintenant en mesure d'entraîner le modèle YOLOv7 à reconnaître la langue des signes !

Un aperçu de ce notebook est disponible sur GitHub ici.

Aller plus loin

  • Vous souhaitez observer l'évolution de vos métriques pendant l'entraînement de votre modèle ? Cliquez ici !
  • Vous souhaitez utiliser votre modèle YOLOv7 dans une app ? C'est par ici.

Si vous avez besoin d'une formation ou d'une assistance technique pour la mise en oeuvre de nos solutions, contactez votre commercial ou cliquez sur ce lien pour obtenir un devis et demander une analyse personnalisée de votre projet à nos experts de l’équipe Professional Services.

Nous voulons vos retours !

N’hésitez pas à nous faire part de vos questions, retours et suggestions pour améliorer le service :

Cette page vous a-t-elle aidé ?