Vous pouvez m'aider à trouver des ressouces réccen...

Oui. J’ai vérifié des ressources publiées entre 2025 et aujourd’hui (17 août 2026). Pour votre objectif précis — détection d’objets avec YOLOv8-nano (yolov8n.pt) sur un dataset personnalisé par transfer learning / fine-tuning — voici celles que je recommande.

Ressources récentes les plus utiles

1. Ultralytics — “Fine-Tune YOLO on a Custom Dataset” — 2026
   C’est probablement la ressource la plus directement utile. Elle explique la différence entre entraînement depuis zéro et fine-tuning, l’utilisation des poids pré-entraînés, le gel du backbone (freeze), les learning rates et même une stratégie de fine-tuning en deux étapes. Même si les exemples actuels utilisent YOLO26, la logique est directement applicable à yolov8n.pt. (Ultralytics Docs)

2. Vidéo officielle Ultralytics — “How to Train Ultralytics YOLO26 Model on Custom Dataset using Google Colab” — 23 janvier 2026
   Très intéressante si vous travaillez avec Google Colab : installation d’Ultralytics, organisation du dataset, entraînement, validation et utilisation du modèle entraîné. La démonstration utilise une version récente de YOLO, mais le workflow est pratiquement le même pour YOLOv8n. (YouTube)

3. Vidéo officielle Ultralytics — “How to Use Data Preprocessing and Augmentation…” — 7 mai 2025
   À regarder avant de lancer un entraînement sérieux. Elle traite du redimensionnement, normalisation, découpage train/validation/test, data augmentation et EDA. Ces aspects sont souvent plus importants que de modifier énormément les hyperparamètres de YOLO. (YouTube)

4. Ultralytics — “Preprocessing Annotated Computer Vision Data” — 2026
   Guide récent sur la préparation des données annotées : séparation du dataset, augmentation, problèmes de fuite de données et préparation pour l’entraînement. Ultralytics précise également que le redimensionnement et la normalisation de base sont automatiquement gérés pendant l’entraînement. (Ultralytics Docs)

5. Vidéo officielle Ultralytics — entraînement YOLO sur Objects365 dans Google Colab — 4 juin 2025
   Elle montre concrètement le fichier YAML du dataset, les classes, les paramètres d’entraînement et le lancement de l’entraînement dans Colab. Ce n’est pas un petit dataset personnalisé, mais le pipeline est particulièrement utile à comprendre. (YouTube)

6. Ultralytics — “Customizing Trainer” — 2026
   À garder pour une deuxième étape. Le guide explique comment personnaliser DetectionTrainer, faire du backbone freezing, utiliser des learning rates différents par groupe de couches, ajouter des métriques personnalisées ou gérer des déséquilibres de classes. (Ultralytics Docs)

Si vos annotations sont au format COCO JSON, deux guides officiels très récents sont également intéressants : conversion COCO → YOLO, publiée en 2026, (Ultralytics Docs) et entraînement directement depuis COCO JSON sans conversion, également publié en 2026. (Ultralytics Docs)

Et pour YOLOv8-nano spécifiquement ?

Bonne nouvelle : YOLOv8 est toujours explicitement supporté dans la documentation Ultralytics actuelle. L'exemple officiel charge directement :

python
from ultralytics import YOLO

model = YOLO("yolov8n.pt")

results = model.train(
    data="data.yaml",
    epochs=100,
    imgsz=640
)

Le fichier yolov8n.pt contient les poids pré-entraînés ; partir de ce fichier puis entraîner sur votre dataset personnalisé constitue précisément du transfer learning / fine-tuning, contrairement à yolov8n.yaml, qui sert à construire le modèle sans partir des poids pré-entraînés. (Ultralytics Docs)

Pour un premier essai sur votre dataset, je partirais par exemple sur :

python
from ultralytics import YOLO

# Poids YOLOv8 Nano pré-entraînés sur COCO
model = YOLO("yolov8n.pt")

model.train(
    data="/content/dataset/data.yaml",
    epochs=80,
    imgsz=640,
    batch=16,
    patience=20,
    device=0,
    plots=True
)

Puis seulement si votre dataset est relativement petit, vous pouvez tester un premier stade avec une partie du réseau gelée :

python
model = YOLO("yolov8n.pt")

model.train(
    data="/content/dataset/data.yaml",
    epochs=20,
    imgsz=640,
    batch=16,
    lr0=0.001,
    freeze=10,
    device=0
)

Le paramètre freeze est prévu spécifiquement pour le fine-tuning / transfer learning dans Ultralytics. (Ultralytics Docs)

Votre dataset de détection devrait typiquement ressembler à ceci :

text
dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   ├── val/
│   └── test/
└── data.yaml

avec par exemple :

yaml
path: /content/dataset

train: images/train
val: images/val
test: images/test

names:
  0: voiture
  1: personne
  2: casque

et un fichier .txt par image contenant les bounding boxes au format YOLO.

Mon ordre d’apprentissage conseillé serait : vidéo preprocessing 2025 → guide récent Fine-Tuning → tutoriel Google Colab → premier entraînement simple de yolov8n.pt → analyse de precision, recall, mAP50 et mAP50-95 → seulement ensuite expérimentation avec freeze, learning rate et augmentations. Les guides récents recommandent eux aussi de commencer avec un baseline simple plutôt que de modifier de nombreux hyperparamètres immédiatement. (Ultralytics Docs)

Si vous voulez, je peux aussi vous préparer un tutoriel complet YOLOv8n + dataset personnalisé + transfer learning dans Google Colab, cellule par cellule, depuis l'importation des images jusqu'à best.pt et l'évaluation du modèle.