11. November 2024
Erfahren Sie, wie das neue Ultralytics YOLO11-Modell die Bildklassifizierung verbessert und eine höhere Genauigkeit für Aufgaben in der Landwirtschaft, im Einzelhandel und bei der Wildtierüberwachung bietet.
Nehmen wir an, ein Roboter betrachtet zwei Katzen, eine schwarze und eine weiße, und muss herausfinden, welche welche ist. Dazu kann er die Bildklassifizierung verwenden, eine Computer-Vision-Aufgabe, die hilft, Objekte oder Szenen in einem Bild zu identifizieren und zu kategorisieren. Dank der jüngsten Fortschritte in der künstlichen Intelligenz (KI) kann die Bildklassifizierung in einer Vielzahl von Anwendungen eingesetzt werden, die von der Tierüberwachung bis hin zur Fertigung und Landwirtschaft mit Erkennung von Pflanzenkrankheiten reichen.
Eine der neuesten Entwicklungen in der Bildklassifizierung ist das Ultralytics YOLO11 Modell. YOLO11, das auf dem jährlichen Hybrid-Event von Ultralytics, YOLO Vision 2024 (YV24), vorgestellt wurde, wurde entwickelt, um eine Vielzahl von Vision AI-Aufgaben, einschließlich Bildklassifizierung, mit Leichtigkeit und Präzision zu bewältigen.
In diesem Artikel werden wir die Grundlagen der Bildklassifizierung untersuchen, reale Anwendungen diskutieren und Ihnen zeigen, wie Sie YOLO11 für die Bildklassifizierung über das Ultralytics Python-Paket verwenden können. Wir werden uns auch ansehen, wie Sie die Fähigkeiten von YOLO11 auf dem Ultralytics HUB in wenigen einfachen Schritten ausprobieren können. Los geht's!
Die Bildklassifizierung funktioniert, indem einem Bild eine Bezeichnung oder ein Tag basierend auf Mustern zugewiesen wird, die aus zuvor gekennzeichneten Bildern gelernt wurden. Durch sorgfältiges Analysieren der Pixel eines Bildes kann ein Computer Vision-Modell die beste Übereinstimmung für das Bild finden. Zuverlässige Modelle wie YOLO11 können diesen Prozess nahtlos bewältigen. Die Modellarchitektur von YOLO11 ermöglicht es, Bilder oder Videoframes nahezu sofort zu verarbeiten, was es ideal für Anwendungen macht, die eine schnelle, genaue Bildklassifizierung benötigen.
Um den Umfang der Bildklassifizierung wirklich zu verstehen, ist es hilfreich, sie von anderen Aufgaben wie der Objekterkennung zu unterscheiden. Während die Bildklassifizierung ein gesamtes Bild kennzeichnet, identifiziert und lokalisiert die Objekterkennung jedes Objekt innerhalb des Bildes.
Betrachten wir ein Bild einer Giraffe. Bei der Bildklassifizierung könnte das Modell das gesamte Bild einfach als Giraffe bezeichnen, basierend auf seinem Gesamtinhalt. Bei der Objekterkennung hingegen hört das Modell nicht bei der Identifizierung der Giraffe auf; es platziert auch einen Begrenzungsrahmen um die Giraffe und lokalisiert so ihre genaue Position innerhalb des Bildes.
Stellen Sie sich nun vor, die Giraffe steht in einer Savanne in der Nähe eines Baumes mit anderen Tieren. Ein Bildklassifizierungsmodell könnte die gesamte Szene als Savanne oder einfach als Wildtiere bezeichnen. Bei der Objekterkennung würde das Modell jedoch jedes Element einzeln identifizieren und die Giraffe, den Baum und die anderen Tiere jeweils mit ihren eigenen Begrenzungsrahmen erkennen.
Die Genauigkeit und Leistung des Ultralytics YOLO11-Modells für die Bildklassifizierung macht es in einer Vielzahl von Branchen nützlich. Lassen Sie uns einige der wichtigsten Anwendungen von YOLO11 in der Bildklassifizierung untersuchen.
Die Bildklassifizierung kann dazu beitragen, viele Funktionen in der Landwirtschaft und im Agrarsektor zu rationalisieren. Insbesondere können Landwirte mithilfe von Bildklassifizierungsmodellen wie YOLO11 den Gesundheitszustand ihrer Pflanzen ständig überwachen, schwere Krankheiten erkennen und Schädlingsbefall mit hoher Genauigkeit identifizieren.
Hier ist ein Blick darauf, wie das funktioniert:
Die Bildklassifizierung kann das Einkaufserlebnis im Einzelhandel erheblich verbessern und es persönlicher und benutzerfreundlicher gestalten. Einzelhändler können kundenspezifisch trainierte Computer Vision-Modelle verwenden, um Produkte in ihrem Inventar zu erkennen und diese Funktion in ihre mobilen Apps oder Websites zu integrieren. Kunden können dann einfach durch Hochladen eines Fotos nach Produkten suchen, was das Einkaufen schneller und bequemer macht.
Sobald ein Kunde ein Bild in ein visuelles Suchsystem hochlädt, passieren hinter den Kulissen mehrere Dinge, bevor die Suchergebnisse angezeigt werden.
Zuerst kann die Objekterkennung verwendet werden, um die Hauptelemente im Bild herauszusuchen, z. B. um ein Kleidungsstück oder ein Möbelstück zu identifizieren und es vom Hintergrund zu trennen. Als Nächstes kann die Bildklassifizierung verwendet werden, um jedes Element weiter zu kategorisieren und zu erkennen, ob es sich um eine Jacke, ein Hemd, ein Sofa oder einen Tisch handelt.
Mit diesen Informationen kann das System ähnliche Produkte zum Kauf anbieten, was besonders hilfreich ist, um einzigartige oder trendige Artikel zu finden, die schwer mit Worten allein zu beschreiben sind. Dieselbe Technologie kann auch dazu beitragen, andere Aufgaben im Einzelhandel, wie z. B. das Bestandsmanagement, zu rationalisieren, indem sie Artikel automatisch erkennt und kategorisiert.
Traditionell ist die Überwachung von Tieren in freier Wildbahn eine mühsame Aufgabe, bei der viele Personen Tausende von Fotos manuell sortieren und analysieren müssen. Mit Computer-Vision-Modi wie YOLO11 können Forscher Tiere automatisch schneller überwachen. Kameras können in natürlichen Lebensräumen platziert werden, um Fotos aufzunehmen. Das Vision-KI-Modell kann dann verwendet werden, um diese Fotos zu analysieren und die darin enthaltenen Tiere zu klassifizieren (falls vorhanden). Ein solches System kann Forschern helfen, Tierpopulationen, ihre Wanderungsmuster usw. zu untersuchen und zu verfolgen.
Eine weitere Möglichkeit, wie KI- und Computer-Vision-Modelle wie YOLO11 in diesem Bereich helfen können, ist die Straffung des Prozesses der Klassifizierung gefährdeter Arten. Durch die Identifizierung potenzieller Arten oder Rassekategorien, zu denen ein Tier gehören könnte, können diese Modelle wichtige Daten für Forscher liefern. Beispielsweise entwickelte die University of Tasmania (UTAS) ein bildklassifikationsbasiertes System zur Überwachung verschiedener tasmanischer Wildtiere. Die Vorhersagen der Modelle können Wissenschaftlern und Forschern dann helfen, die Tieraktivität und das Verhalten im Auge zu behalten, was auf Bedrohungen wie Wilderei oder Habitatverlust hindeuten kann.
Nachdem wir nun erörtert haben, was Bildklassifizierung ist, und einige ihrer Anwendungen untersucht haben, wollen wir uns ansehen, wie Sie die Bildklassifizierung mit dem neuen YOLO11-Modell ausprobieren können. Es gibt zwei einfache Möglichkeiten, um loszulegen: mit dem Ultralytics Python-Paket oder über Ultralytics HUB. Wir werden beide Optionen durchgehen.
Um mit dem Ultralytics Python-Paket zu beginnen, können Sie es einfach mit pip, conda oder Docker installieren. Wenn Sie auf Probleme stoßen, lesen Sie unseren Leitfaden zu häufigen Problemen für hilfreiche Tipps zur Fehlerbehebung.
Sobald das Paket installiert ist, können Sie den folgenden Code verwenden, um eine Variante des YOLO11-Bildklassifizierungsmodells zu laden und eine Inferenz durchzuführen. Eine Inferenz durchzuführen bedeutet, ein trainiertes Modell zu verwenden, um Vorhersagen über neue, ungesehene Daten zu treffen. Sie können es mit einem Bild Ihrer Wahl ausprobieren!
Sie können dasselbe Python-Paket auch verwenden, um ein benutzerdefiniertes YOLO11-Klassifikationsmodell zu trainieren. Durch benutzerdefiniertes Training können Sie ein YOLO11-Modell für Ihre spezifischen Bedürfnisse feinabstimmen. Wenn Sie beispielsweise eine App entwickeln, um verschiedene Katzenrassen zu klassifizieren, können Sie ein YOLO11-Modell speziell für diesen Zweck benutzerdefiniert trainieren.
Der folgende Code zeigt, wie man ein YOLO11-Bildklassifizierungsmodell lädt und trainiert. Er ermöglicht es Ihnen, vorab trainierte Gewichte zu transferieren, wobei das Wissen aus einem bestehenden Modell genutzt wird, um die Leistung Ihres eigenen Modells zu steigern. Sie können einen Datensatz angeben, wie z. B. den Datensatz "fashion-mnist", der ein bekannter Satz von Graustufenbildern von Kleidungsstücken (Hemden, Hosen, Schuhe usw.) ist. Das Training des Modells mit diesem Datensatz lehrt es, verschiedene Bekleidungskategorien zu erkennen. Sie können "fashion-mnist" durch jeden beliebigen Datensatz ersetzen, der zu Ihrem Projekt passt, z. B. Katzenrassen oder Pflanzenarten.
Die Verwendung des Ultralytics-Pakets ist zwar unkompliziert, erfordert aber einige Python-Kenntnisse. Wenn Sie eine anfängerfreundlichere Option suchen, können Sie den Ultralytics HUB verwenden, eine Plattform, die das Trainieren und Bereitstellen verschiedener YOLO-Modelle einfach und zugänglich machen soll. Um loszulegen, müssen Sie ein Konto erstellen.
Sobald Sie sich angemeldet haben, navigieren Sie zum Abschnitt ‘Modelle’ und wählen Sie das YOLO11-Modell für die Bildklassifizierung aus. Sie sehen eine Reihe von Modellgrößen: Nano, Small, Medium, Large und Extra-Large. Nachdem Sie ein Modell ausgewählt haben, können Sie im Abschnitt ‘Vorschau’ ein Bild hochladen, wo die Vorhersagen nach der Verarbeitung des Bildes auf der linken Seite der Seite angezeigt werden.
YOLO11 bietet leistungsstarke Bildklassifizierungsfunktionen, die neue Möglichkeiten in verschiedenen Branchen eröffnen. Von der Verbesserung der Pflanzenüberwachung in der Landwirtschaft über die Optimierung der Produktsuche im Einzelhandel bis hin zur Unterstützung des Naturschutzes ist YOLO11 aufgrund seiner Geschwindigkeit und Genauigkeit ideal für vielfältige Anwendungen. Mit Optionen für benutzerdefiniertes Training über das Ultralytics Python-Paket oder eine benutzerfreundliche No-Code-Einrichtung auf Ultralytics HUB können Benutzer YOLO11 problemlos in ihre Arbeitsabläufe integrieren. Da immer mehr Branchen KI-Lösungen nutzen, bietet YOLO11 ein flexibles, leistungsstarkes Tool, das Innovation und praktische Fortschritte unterstützt.
Um mehr zu erfahren, besuchen Sie unser GitHub-Repository und treten Sie mit unserer Community in Kontakt. Entdecken Sie KI-Anwendungen in selbstfahrenden Autos und im Gesundheitswesen auf unseren Lösungsseiten. 🚀
.webp)