اكتشف تصنيف الصور باستخدامYOLO Ultralytics YOLO: قم بتدريب نماذج مخصصة للرعاية الصحية والزراعة وتجارة التجزئة وغيرها باستخدام أدوات متطورة.
تصنيف الصور هو مهمة أساسية في الرؤية الحاسوبية (CV) التي تنطوي على تعيين تسمية أو فئة واحدة لصورة رقمية كاملة بناءً على محتواها المرئي. تمكّن هذه العملية الآلات من "رؤية" العالم وتفسيره من خلال التعرّف على الأنماط أو الأشياء أو المشاهد ضمن البيانات المرئية. وكعنصر أساسي مكون أساسي في الذكاء الاصطناعي (AI)، فهي بمثابة بمثابة اللبنة الأساسية لأنظمة التعرف البصري الأكثر تعقيدًا، مما يسمح للأنظمة الآلية بتصنيف كميات هائلة من كميات هائلة من المعلومات البصرية بكفاءة.
على المستوى التقني، يعتمد تصنيف الصور على خوارزميات التعلُّم الآلي (ML) ، وخاصةً نماذج التعلم العميق (DL) المعروفة باسم الشبكات العصبية التلافيفية (CNNs). صُممت هذه الشبكات لمعالجة بيانات البكسل وإجراء عملية استخراج الملامح تلقائيًا استخراج السمات، وتحديد السمات منخفضة المستوى المنخفضة المستوى مثل الحواف والأنسجة في الطبقات المبكرة والأشكال المعقدة في الطبقات الأعمق.
تتبع العملية عادةً نهج التعلّم تحت الإشراف:
الأطر الشائعة مثل PyTorch و TensorFlow الأدوات اللازمة لبناء وتدريب هذه هذه البنى المتطورة.
بينما يجيب تصنيف الصور على السؤال "ماذا يوجد في هذه الصورة؟ بمهام الرؤية الحاسوبية الأخرى. يعد فهم الفروق بينهما أمرًا بالغ الأهمية لاختيار الأداة المناسبة للمشروع:
ينتشر تصنيف الصور في كل مكان في مختلف الصناعات، مما يؤدي إلى الأتمتة وتعزيز عمليات اتخاذ القرار.
في مجال تحليل الصور الطبية, تساعد نماذج التصنيف أخصائيي الأشعة من خلال الفحص المسبق للفحوصات. على سبيل المثال، يمكن للخوارزميات classify صور الأشعة السينية للصدر أو أو التصوير بالرنين المغناطيسي على أنها "طبيعية" أو "غير طبيعية"، مع تحديد المشاكل المحتملة مثل الالتهاب الرئوي أو الأورام لإعطائها الأولوية في المراجعة المراجعة. وتوضح الأبحاث التي أجرتها المعاهد الوطنية للصحة (NIH) كيف أن الذكاء الاصطناعي في التشخيص المبكر للأمراض، مما يحسن نتائج المرضى بشكل كبير. يمكنك قراءة المزيد عن عملنا في الكشف عن الأورام باستخدام YOLO11.
تستخدم الزراعة الدقيقة تصنيف الصور لمراقبة صحة المحاصيل. تلتقط الطائرات بدون طيار المزودة بكاميرات صورًا الحقول، والتي يتم تحليلها بعد ذلك classify النباتات إلى نباتات سليمة أو ناقصة المغذيات أو مريضة. يتيح ذلك التدخل الموجه وتقليل استخدام المواد الكيميائية وزيادة المحصول. إن وزارة الزراعة الأمريكية (USDA) كيف تعزز هذه التقنيات الممارسات الزراعية المستدامة. تعرّف على كيفية دعم Ultralytics الذكاء الاصطناعي في الزراعة لإحداث ثورة في الزراعة الحديثة.
على الرغم من شهرتها بالكشف، فإن Ultralytics YOLO11 فعالة للغاية أيضًا في لمهام تصنيف الصور. فهي توفر توازنًا بين السرعة والدقة، مما يجعلها مناسبة للتطبيقات في الوقت الفعلي.
فيما يلي مثال موجز لكيفية استخدام نموذج YOLO11 المدرب مسبقًا classify صورة باستخدام
ultralytics حزمة Python :
from ultralytics import YOLO
# Load a pre-trained YOLO11 classification model
model = YOLO("yolo11n-cls.pt")
# Run inference on an external image URL
results = model("https://ultralytics.com/images/bus.jpg")
# Print the top predicted class name
print(f"Predicted class: {results[0].names[results[0].probs.top1]}")
بالنسبة للمستخدمين الذين يتطلعون إلى إنشاء حلولهم الخاصة، يمكنك تدريب نماذج مخصصة على مجموعات بيانات محددة باستخدام نفس واجهة برمجة التطبيقات API البسيطة نفسها. سواء كنت تقوم بالنشر على الأجهزة المتطورة باستخدام أدوات مثل OpenCV أو التوسع باستخدام البنية التحتية السحابية، توفر نماذج التصنيف الحديثة التنوع المطلوب للنشر المتنوع متنوعة.
