In this episode, we break down how to build Multi-Object Tracking (MOT) pipelines using Ultralytics YOLO detectors for real-time video analytics.

🔹 Key Highlights:

• MOT Basics: From per-frame detection to identity persistence across frames

• YOLO as the Detector: Using YOLOv8/v10/v11 for fast, accurate object boxes

• Trackers That Click: DeepSORT, ByteTrack, and BoT-SORT—data association, motion models & re-ID

• Metrics That Matter: MOTA, IDF1, HOTA, FPS—how to evaluate tracking quality and speed

• Training & Tuning: Fine-tune YOLO on custom data, adjust confidence/NMS, and calibrate tracker thresholds

• Deployment: Edge and server pipelines, ONNX/TensorRT export, and camera-to-dashboard workflows

Can YOLO-powered MOT deliver robust, real-time insights in crowded, dynamic scenes? 🤔

🎧 Tune in to learn how to design, train, and deploy a production-ready MOT system!

Dans cet épisode, nous explorons comment concevoir des pipelines de Suivi Multi-Objets (MOT) en utilisant les détecteurs Ultralytics YOLO pour l’analyse vidéo en temps réel.

🔹 Points Clés :

• Bases du MOT : de la détection image par image à la conservation des identités à travers les frames

• YOLO comme Détecteur : utilisation de YOLOv8/v10/v11 pour des boîtes précises et rapides

• Trackers Efficaces : DeepSORT, ByteTrack et BoT-SORT — association de données, modèles de mouvement & re-identification

• Mesures de Performance : MOTA, IDF1, HOTA, FPS — comment évaluer la qualité et la rapidité du suivi

• Entraînement & Optimisation : affiner YOLO sur des données personnalisées, ajuster la confiance/NMS et calibrer les seuils du tracker

• Déploiement : pipelines edge et serveur, export ONNX/TensorRT, intégration caméra-tableau de bord

Le MOT propulsé par YOLO peut-il offrir un suivi robuste et en temps réel dans des scènes complexes et dynamiques ? 🤔

🎧 Rejoignez-nous pour découvrir comment concevoir, entraîner et déployer un système MOT prêt pour la production !

Dans cet épisode, nous explorons le domaine fascinant de la vision par ordinateur, une branche de l’IA qui permet aux machines de comprendre, analyser et interpréter des images et des vidéos comme le ferait un être humain.

🔹 Points clés abordés :

• Principes fondamentaux : Acquisition d’images, traitement et reconnaissance

• Techniques modernes : Réseaux de neurones convolutionnels, YOLO, segmentation sémantique

• Applications : Véhicules autonomes, sécurité, santé, industrie, agriculture intelligente

• Défis : Gestion des données massives, conditions d’éclairage variables, biais dans les modèles

La vision par ordinateur n’est plus une technologie du futur… elle transforme déjà notre quotidien.

🎧 Plongez avec nous dans cet univers où l’IA donne des yeux aux machines !