So setzt du Ultralytics YOLO11 für die Bildklassifizierung ein

Angenommen, ein Roboter sieht zwei Katzen, eine schwarze und eine weiße, und muss herausfinden, welche welche ist. Dazu kann er die Bildklassifizierung verwenden, eine Computer-Vision-Aufgabe, mit der sich Objekte oder Szenen in einem Bild identifizieren und kategorisieren lassen. Dank der jüngsten Fortschritte im Bereich der künstlichen Intelligenz (AI) kann die Bildklassifizierung für eine Vielzahl von Anwendungen eingesetzt werden, von der Überwachung von Tieren bis hin zur Fertigung und Landwirtschaft mit der Erkennung von Pflanzenkrankheiten.

Eine der neuesten Entwicklungen im Bereich der Bildklassifizierung ist das Ultralytics-YOLO11-Modell. YOLO11 wurde auf der jährlichen hybriden Veranstaltung von Ultralytics, YOLO Vision 2024 (YV24), vorgestellt und ist darauf ausgelegt, eine Vielzahl von Vision-AI-Aufgaben, darunter die Bildklassifizierung, einfach und präzise zu bewältigen.

In diesem Artikel sehen wir uns die Grundlagen der Bildklassifizierung an, besprechen Anwendungen aus der Praxis und zeigen dir, wie du YOLO11 mit dem Ultralytics-Python-Paket für die Bildklassifizierung einsetzen kannst. Außerdem schauen wir uns an, wie du die Fähigkeiten von YOLO11 mit wenigen einfachen Schritten auf dem Ultralytics HUB ausprobieren kannst. Los geht’s!

Abb. 1. Beispiel für die Verwendung von Ultralytics YOLO11 zur Klassifizierung einer Perserkatze.

Was ist Bildklassifizierung?#

Bei der Bildklassifizierung wird einem Bild anhand von Mustern, die aus zuvor beschrifteten Bildern gelernt wurden, ein Label oder Tag zugewiesen. Durch eine sorgfältige Analyse der Pixel eines Bildes kann ein Computer-Vision-Modell die beste Übereinstimmung für das Bild finden. Zuverlässige Modelle wie Ultralytics YOLO11 können diesen Prozess nahtlos bewältigen. Die Modellarchitektur von YOLO11 ermöglicht es, Bilder oder Videoframes nahezu sofort zu verarbeiten, wodurch sich das Modell ideal für Anwendungen eignet, die eine schnelle und präzise Bildklassifizierung benötigen.

Um den Umfang der Bildklassifizierung wirklich zu verstehen, ist es hilfreich, sie von anderen Aufgaben wie der Objekterkennung abzugrenzen. Während bei der Bildklassifizierung ein gesamtes Bild beschriftet wird, identifiziert und lokalisiert die Objekterkennung jedes Objekt innerhalb des Bildes.

Abb. 2. Ein Vergleich von Bildklassifizierung, Objekterkennung und Bildsegmentierung.

Betrachten wir ein Bild mit einer Giraffe. Bei der Bildklassifizierung könnte das Modell das gesamte Bild aufgrund seines Gesamtinhalts einfach als Giraffe beschriften. Bei der Objekterkennung beschränkt sich das Modell jedoch nicht auf die Identifizierung der Giraffe, sondern zeichnet auch eine Begrenzungsbox um sie und bestimmt so ihre genaue Position im Bild.

Stell dir nun vor, die Giraffe steht in einer Savanne neben einem Baum und anderen Tieren. Ein Bildklassifizierungsmodell könnte die gesamte Szene als Savanne oder einfach als Wildtiere beschriften. Bei der Objekterkennung würde das Modell dagegen jedes Element einzeln identifizieren und die Giraffe, den Baum und die anderen Tiere jeweils mit einer eigenen Begrenzungsbox erkennen.

Anwendungen der Bildklassifizierung mit Ultralytics YOLO11#

Die Genauigkeit und Leistung des Ultralytics-YOLO11-Modells für die Bildklassifizierung machen es in zahlreichen Branchen nützlich. Sehen wir uns einige der wichtigsten Anwendungen von YOLO11 für die Bildklassifizierung an.

Bildklassifizierung mit Ultralytics YOLO11 in der Landwirtschaft#

Die Bildklassifizierung kann viele Abläufe in der Landwirtschaft und im Agrarsektor effizienter machen. Mit Bildklassifizierungsmodellen wie YOLO11 können Landwirte insbesondere den Zustand ihrer Nutzpflanzen kontinuierlich überwachen, schwere Krankheiten erkennen und Schädlingsbefall mit hoher Genauigkeit identifizieren.

So funktioniert das:

• Bildaufnahme: Geräte des Internets der Dinge (IoT) wie Kameras und Drohnen können eingesetzt werden, um Echtzeitbilder von Nutzpflanzen aus verschiedenen Winkeln und von unterschiedlichen Standorten auf den Feldern aufzunehmen.
• Verarbeitung: Je nach verfügbaren Ressourcen und Konnektivität können Bilder vor Ort per Edge Computing verarbeitet oder zur intensiveren Analyse in die Cloud hochgeladen werden.
• Bildklassifizierung mit YOLO11: Das YOLO11-Modell kann diese Bilder analysieren, um verschiedene Zustände von Nutzpflanzen zu klassifizieren. Häufige Klassen können gesund, krank, von Schädlingen befallen oder nährstoffarm sein und dabei helfen, bestimmte Probleme in unterschiedlichen Bereichen des Feldes zu lokalisieren.
• Erkenntnisse gewinnen: Auf Grundlage der Klassifizierungen liefert Ultralytics YOLO11 Erkenntnisse über Indikatoren für den Zustand der Nutzpflanzen und hilft Landwirten, frühe Anzeichen von Krankheiten zu erkennen, Bereiche mit vielen Schädlingen zu identifizieren oder Nährstoffmängel festzustellen.
• Fundierte Entscheidungsfindung: Mit diesen Erkenntnissen können Landwirte gezielte Entscheidungen über Bewässerung, Düngung und Schädlingsbekämpfung treffen und Ressourcen nur dort einsetzen, wo sie am dringendsten benötigt werden.

Abb. 3. Beispiel für verschiedene Blattklassen, von gesund bis infiziert.

Bildklassifizierung mit Ultralytics YOLO11 im Einzelhandel#

Die Bildklassifizierung kann das Einkaufserlebnis im Einzelhandel deutlich verbessern und persönlicher sowie benutzerfreundlicher gestalten. Händler können individuell trainierte Computer-Vision-Modelle verwenden, um Produkte in ihrem Bestand zu erkennen und diese Funktion in ihre mobilen Apps oder Websites zu integrieren. Kunden können dann einfach durch das Hochladen eines Fotos nach Produkten suchen, wodurch das Einkaufen schneller und bequemer wird.

Sobald ein Kunde ein Bild in ein visuelles Suchsystem hochlädt, geschehen im Hintergrund mehrere Dinge, bevor die Suchergebnisse angezeigt werden.

Zunächst kann die Objekterkennung verwendet werden, um die wichtigsten Elemente im Bild herauszufiltern, etwa ein Kleidungsstück oder Möbelstück zu erkennen und vom Hintergrund zu trennen. Anschließend kann die Bildklassifizierung eingesetzt werden, um jedes Element weiter zu kategorisieren und festzustellen, ob es sich um eine Jacke, ein Hemd, ein Sofa oder einen Tisch handelt.

Mit diesen Informationen kann das System ähnliche Produkte aufrufen, die zum Kauf verfügbar sind. Das ist besonders hilfreich, um einzigartige oder trendige Artikel zu finden, die sich nur schwer mit Worten beschreiben lassen. Dieselbe Technologie kann auch andere Aufgaben im Einzelhandel, etwa die Bestandsverwaltung, effizienter machen, indem sie Artikel automatisch erkennt und kategorisiert.

Abb. 4. Eine bildklassifizierungsbasierte visuelle Suchplattform in Aktion.

Überwachung von Wildtieren mit der Bildklassifizierung von Ultralytics YOLO11#

Die Überwachung von Tieren in freier Wildbahn ist traditionell eine zeitaufwendige Aufgabe, bei der viele Menschen Tausende von Fotos manuell sortieren und analysieren. Mit Computer-Vision-Modellen wie Ultralytics YOLO11 können Forschende Tiere automatisch und schneller überwachen. Kameras können in natürlichen Lebensräumen aufgestellt werden, um Fotos aufzunehmen. Das Vision-AI-Modell kann diese Fotos anschließend analysieren und die darin enthaltenen Tiere klassifizieren, sofern welche vorhanden sind. Ein solches System kann Forschenden dabei helfen, Tierpopulationen sowie deren Wanderungsmuster zu untersuchen und zu verfolgen.

Eine weitere Möglichkeit, wie AI- und Computer-Vision-Modelle wie Ultralytics YOLO11 in diesem Bereich helfen können, ist die effizientere Klassifizierung gefährdeter Arten. Durch die Identifizierung möglicher Arten oder Rassenkategorien, denen ein Tier angehören könnte, können diese Modelle Forschenden wichtige Daten liefern. Beispielsweise entwickelte die University of Tasmania (UTAS) ein bildklassifizierungsbasiertes System zur Überwachung verschiedener Arten der tasmanischen Tierwelt. Die Vorhersagen der Modelle können Wissenschaftlern und Forschenden anschließend helfen, die Aktivität und das Verhalten von Tieren zu beobachten, was auf Bedrohungen wie Wilderei oder den Verlust von Lebensräumen hindeuten kann.

Abb. 5. Ultralytics YOLO11 sagt mögliche Rassen voraus, denen ein Hund angehören könnte.

Bildklassifizierung mit dem Ultralytics-YOLO11-Modell ausprobieren#

Nachdem wir besprochen haben, was Bildklassifizierung ist, und einige ihrer Anwendungen kennengelernt haben, sehen wir uns nun an, wie du die Bildklassifizierung mit dem neuen YOLO11-Modell ausprobieren kannst. Es gibt zwei einfache Möglichkeiten für den Einstieg: mit dem Ultralytics-Python-Paket oder über Ultralytics HUB. Wir führen dich durch beide Optionen.

Inferenz mit Ultralytics YOLO11 ausführen#

Um mit dem Ultralytics-Python-Paket zu beginnen, installiere es einfach mit pip, conda oder Docker. Falls Probleme auftreten, findest du in unserem Leitfaden zu häufigen Problemen hilfreiche Tipps zur Fehlerbehebung.

Sobald das Paket installiert ist, kannst du den folgenden Code verwenden, um eine Variante des Ultralytics-YOLO11-Bildklassifizierungsmodells zu laden und eine Inferenz auszuführen. Eine Inferenz bedeutet, dass ein trainiertes Modell verwendet wird, um Vorhersagen für neue, bisher unbekannte Daten zu treffen. Du kannst es mit einem Bild deiner Wahl ausprobieren!

Abb. 6. Ausführen von Inferenzen mit dem Ultralytics-YOLO11-Modell.

Ein individuelles Ultralytics-YOLO11-Klassifizierungsmodell trainieren#

Du kannst dasselbe Python-Paket auch verwenden, um ein individuelles Ultralytics-YOLO11-Klassifizierungsmodell zu trainieren. Durch individuelles Training kannst du ein YOLO11-Modell für deine spezifischen Anforderungen feinabstimmen. Wenn du beispielsweise eine App entwickelst, die verschiedene Katzenrassen klassifizieren soll, kannst du ein YOLO11-Modell speziell für diesen Zweck individuell trainieren.

Der folgende Code zeigt, wie du ein Ultralytics-YOLO11-Bildklassifizierungsmodell lädst und trainierst. Er ermöglicht es dir, vortrainierte Gewichte zu übertragen und dabei das Wissen eines vorhandenen Modells zu nutzen, um die Leistung deines eigenen Modells zu verbessern. Du kannst ein Dataset angeben, etwa das Dataset „fashion-mnist“, eine bekannte Sammlung von Graustufenbildern mit Kleidungsstücken wie Hemden, Hosen und Schuhen. Durch das Training mit diesem Dataset lernt das Modell, verschiedene Kleidungskategorien zu erkennen. Du kannst „fashion-mnist“ durch jedes Dataset ersetzen, das zu deinem Projekt passt, etwa Katzenrassen oder Pflanzenarten.

Abb. 7. Individuelles Training eines Ultralytics-YOLO11-Modells für die Bildklassifizierung.

YOLO11 auf Ultralytics HUB ausprobieren#

Obwohl die Verwendung des Ultralytics-Pakets unkompliziert ist, setzt sie gewisse Python-Kenntnisse voraus. Wenn du nach einer anfängerfreundlicheren Option suchst, kannst du den Ultralytics HUB verwenden – eine Plattform, die das Trainieren und Bereitstellen verschiedener YOLO-Modelle einfach und zugänglich macht. Für den Einstieg musst du ein Konto erstellen.

Melde dich an, rufe den Bereich „Models“ auf und wähle das Ultralytics-YOLO11-Modell für die Bildklassifizierung aus. Dir stehen verschiedene Modellgrößen zur Verfügung: Nano, Small, Medium, Large und Extra-Large. Nachdem du ein Modell ausgewählt hast, kannst du im Bereich „Preview“ ein Bild hochladen. Sobald das Bild verarbeitet wurde, werden die Vorhersagen auf der linken Seite der Seite angezeigt.

Abb. 8. Verwendung von Ultralytics HUB zum Ausführen einer Inferenz.

Wichtige Erkenntnisse#

YOLO11 bietet leistungsstarke Funktionen für die Bildklassifizierung und eröffnet neue Möglichkeiten in verschiedenen Branchen. Von der verbesserten Überwachung von Nutzpflanzen in der Landwirtschaft und optimierten Produktsuchen im Einzelhandel bis hin zum Schutz von Wildtieren machen die Geschwindigkeit und Genauigkeit von YOLO11 das Modell ideal für vielfältige Anwendungen. Mit Optionen für individuelles Training über das Ultralytics-Python-Paket oder eine benutzerfreundliche, codefreie Einrichtung im Ultralytics HUB können Nutzer YOLO11 problemlos in ihre Arbeitsabläufe integrieren. Da immer mehr Branchen AI-Lösungen einsetzen, bietet YOLO11 ein flexibles, leistungsstarkes Werkzeug, das Innovationen und praktische Weiterentwicklungen unterstützt.

Weitere Informationen findest du in unserem GitHub-Repository und in unserer Community. Entdecke AI-Anwendungen in selbstfahrenden Autos und im Gesundheitswesen auf unseren Lösungsseiten. 🚀