So verwendest du Ultralytics YOLO11 zur Bildklassifizierung

Angenommen, ein robot betrachtet zwei Katzen – eine schwarze und eine weiße – und muss herausfinden, welche welche ist. Dazu kann er image classification verwenden, eine computer vision task, die dabei hilft, Objekte oder Szenen in einem Bild zu identifizieren und zu kategorisieren. Dank neuer Fortschritte in der artificial intelligence (AI) kann image classification mittlerweile in den unterschiedlichsten Bereichen eingesetzt werden – von der animal monitoring bis hin zu Fertigung und Landwirtschaft mit crop disease detection.

Einer der neuesten Fortschritte im Bereich image classification ist das Ultralytics YOLO11 model. Vorgestellt auf Ultralytics' annual hybrid event, YOLO Vision 2024 (YV24), wurde YOLO11 entwickelt, um eine Vielzahl von vision AI-Aufgaben, einschließlich image classification, mühelos und präzise zu bewältigen.

In diesem Artikel gehen wir auf die Grundlagen von image classification ein, besprechen reale Anwendungsfälle und zeigen dir, wie du YOLO11 für image classification über das Ultralytics Python package nutzen kannst. Außerdem schauen wir uns an, wie du die Funktionen von YOLO11’s auf dem Ultralytics HUB in wenigen einfachen Schritten ausprobieren kannst. Fangen wir an!

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

Was ist Bildklassifizierung?#

Image-Klassifizierung funktioniert, indem einem Bild basierend auf Mustern, die aus zuvor beschrifteten Bildern gelernt wurden, ein Label oder Tag zugewiesen wird. Durch die sorgfältige Analyse der Pixel eines Bildes kann ein Computer-Vision-Modell die beste Übereinstimmung für das Bild finden. Zuverlässige Modelle wie Ultralytics YOLO11 bewältigen diesen Prozess nahtlos. Die Modellarchitektur von YOLO11 ermöglicht es, Bilder oder Video-Frames fast in Echtzeit zu verarbeiten, wodurch sie ideal für Anwendungen ist, die eine schnelle und präzise Image-Klassifizierung erfordern.

Um den Umfang der Bildklassifizierung wirklich zu verstehen, hilft es, sie von anderen Aufgaben wie der object detection zu unterscheiden. Während bei der Bildklassifizierung ein gesamtes Bild mit einem Label versehen wird, identifiziert und lokalisiert die Objekterkennung jedes einzelne Objekt innerhalb des Bildes.

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

Betrachten wir ein Bild einer Giraffe. Bei der image classification beschriftet das Modell das gesamte Bild aufgrund seines Gesamtinhalts möglicherweise einfach als Giraffe. Bei der object detection bleibt es jedoch nicht bei der Identifizierung der Giraffe; das Modell setzt zusätzlich eine Bounding Box um die Giraffe, um ihren genauen Standort im Bild zu bestimmen.

Stell dir nun die Giraffe vor, wie sie in einer Savanne in der Nähe eines Baumes mit anderen Tieren steht. Ein Bildklassifizierungsmodell könnte die gesamte Szene als Savanne oder einfach als Wildtier bezeichnen. Bei der Objekterkennung würde das Modell jedoch jedes Element einzeln identifizieren und die Giraffe, den Baum und die anderen Tiere erkennen, jeweils mit eigenen Begrenzungsrahmen.

Anwendungen der Bildklassifizierung mit Ultralytics YOLO11#

Die Genauigkeit und performance des Ultralytics YOLO11-Modells für die Bildklassifizierung machen es für eine Vielzahl von Branchen nützlich. Schauen wir uns einige der wichtigsten Anwendungen von YOLO11 bei der Bildklassifizierung an.

Bildklassifizierung mit Ultralytics YOLO11 in der Landwirtschaft#

Die Bildklassifizierung kann viele Abläufe in der agriculture und Landwirtschaft optimieren. Insbesondere können Landwirte mithilfe von Bildklassifizierungsmodellen wie YOLO11 den Gesundheitszustand ihrer crops kontinuierlich überwachen, schwerwiegende Krankheiten erkennen und pest infestations mit hoher Genauigkeit identifizieren.

Hier ist ein Blick darauf, wie das funktioniert:

• Image capture: Internet of Things (IoT) devices wie cameras and drones können deployed werden, um Echtzeitbilder von Feldfrüchten aus verschiedenen Blickwinkeln und an verschiedenen Orten auf den Feldern aufzunehmen.
• Processing: Je nach verfügbaren Ressourcen und Konnektivität können Bilder vor Ort durch edge computing verarbeitet oder zur intensiveren Analyse in die cloud hochgeladen werden.
• Image classification with YOLO11: Das YOLO11-Modell kann diese Bilder analysieren, um verschiedene crop conditions zu klassifizieren. Häufige Klassen können gesund, krank, schädlingsbefallen oder Nährstoffmangel sein, wodurch spezifische Probleme in verschiedenen Bereichen des Feldes genau lokalisiert werden können.
• Erkenntnisgewinnung: Basierend auf den Klassifikationen liefert Ultralytics YOLO11 Erkenntnisse über Indikatoren zur Gesundheit von Nutzpflanzen und hilft Landwirten, frühzeitig Krankheitsanzeichen zu erkennen, Schädlingsherde zu identifizieren oder Nährstoffmängel zu entdecken.
• Informed decision-making: Mit diesen Erkenntnissen können Landwirte gezielte Entscheidungen zu Bewässerung, Düngung und Schädlingsbekämpfung treffen und Ressourcen nur dort einsetzen, wo sie am dringensten benötigt werden.

Fig 3. Ein Beispiel für verschiedene Blattklassen von gesund bis infiziert.

Bildklassifizierung mit Ultralytics YOLO11 im Einzelhandel#

Die Bildklassifizierung kann das retail shopping-Erlebnis erheblich verbessern und es persönlicher sowie benutzerfreundlicher gestalten. Retailers können custom-trained Computer-Vision-Modelle verwenden, um Produkte in ihrem Inventar zu erkennen, und diese Funktion in ihre mobilen Apps oder Websites integrieren. Kunden können dann ganz einfach nach Produkten suchen, indem sie ein Foto hochladen, 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.

Zunächst kann object detection verwendet werden, um die Hauptartikel im Bild auszuwählen, beispielsweise ein Kleidungsstück oder ein Möbelstück zu identifizieren und es vom Hintergrund zu trennen. Als Nächstes kann die Bildklassifizierung verwendet werden, um jeden Artikel 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 zum Kauf verfügbare similar products anzeigen. Dies ist besonders hilfreich, um einzigartige oder trendige Artikel zu finden, die allein mit Worten nur schwer zu beschreiben sind. Dieselbe Technologie kann auch dazu beitragen, andere Aufgaben im Einzelhandel wie das inventory management zu optimieren, indem Artikel automatisch erkannt und kategorisiert werden.

Fig 4. Eine auf Bildklassifizierung basierende visuelle Suchplattform in Aktion.

Wildtierüberwachung mit der Bildklassifizierung von Ultralytics YOLO11#

Traditionell ist die Überwachung von Tieren in freier Wildbahn eine mühsame Aufgabe, bei der viele Menschen Tausende von Fotos manuell sortieren und analysieren müssen. Mit Computer-Vision-Modellen wie Ultralytics YOLO11 können Forscher Tiere schneller und automatisch überwachen. Kameras können in natürlichen Lebensräumen aufgestellt werden, um Fotos aufzunehmen. Das Vision-KI-Modell kann dann verwendet werden, um diese Fotos zu analysieren und die Tiere darin zu klassifizieren (falls vorhanden). Ein solches System kann Forschern helfen, Tierpopulationen, deren Wanderungsmuster usw. zu untersuchen und zu verfolgen.

Eine weitere Möglichkeit, wie KI- und Computer-Vision-Modelle wie Ultralytics YOLO11 in diesem Bereich helfen können, ist die Optimierung des Prozesses zur Klassifizierung gefährdeter Arten. Indem sie potenzielle Arten- oder Rassenkategorien identifizieren, zu denen ein Tier gehören könnte, können diese Modelle wichtige Daten für Forscher liefern. Beispielsweise hat die University of Tasmania (UTAS) ein auf Bildklassifizierung basierendes System zur Überwachung verschiedener tasmanischer Wildtiere entwickelt. Die Vorhersagen der Modelle können dann Wissenschaftlern und Forschern helfen, die Aktivität und das Verhalten von Tieren im Auge zu behalten, was auf Bedrohungen wie Wilderei oder Lebensraumverlust hindeuten kann.

Abb. 5: Ultralytics YOLO11 sagt die möglichen Hunderassen voraus, zu denen ein Hund gehören könnte.

Ausprobieren der Bildklassifizierung mit dem Ultralytics YOLO11-Modell#

Nun, da wir besprochen haben, was Bildklassifizierung ist und einige ihrer Anwendungen erkundet haben, werfen wir einen Blick darauf, wie du die Bildklassifizierung mit dem neuen YOLO11-Modell ausprobieren kannst. Es gibt zwei einfache Einstiegsmöglichkeiten: die Verwendung des Ultralytics Python package oder über den Ultralytics HUB. Wir gehen beide Optionen durch.

Ausführen von Inferenzen mit Ultralytics YOLO11#

Um mit dem Ultralytics Python-Paket zu beginnen, install it einfach über pip, conda oder Docker. Wenn du auf Probleme stößt, wirf einen Blick in unseren Common Issues Guide, um hilfreiche troubleshooting tips zu erhalten.

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

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

Trainieren eines benutzerdefinierten Ultralytics YOLO11-Klassifizierungsmodells#

Du kannst dasselbe Python-Paket auch verwenden, um ein benutzerdefiniertes Ultralytics YOLO11-Klassifizierungsmodell zu trainieren. Benutzerdefiniertes Training ermöglicht es dir, ein YOLO11-Modell für deine spezifischen Anforderungen anzupassen (fine-tune). Wenn du beispielsweise eine App zur Klassifizierung verschiedener Katzenrassen entwickelst, kannst du genau für diesen Zweck ein YOLO11-Modell benutzerdefiniert trainieren.

Der folgende Code zeigt, wie man ein Ultralytics YOLO11-Bildklassifizierungsmodells lädt und trainiert. Er ermöglicht es dir, vorrainierte Gewichte zu übertragen und dabei das Wissen eines bestehenden Modells zu nutzen, um die Leistung deines eigenen Modells zu steigern. Du kannst einen Datensatz wie den „fashion-mnist“-Datensatz angeben, der eine bekannte Sammlung von Graustufenbildern von Kleidungsstücken (Hemden, Hosen, Schuhe usw.) ist. Das Trainieren des Modells mit diesem Datensatz bringt ihm bei, verschiedene Kleidungskategorien zu erkennen. Du kannst „fashion-mnist“ durch jeden Datensatz ersetzen, der zu deinem Projekt passt, wie Katzenrassen oder Pflanzenarten.

Abb. 7: Benutzerdefiniertes Training eines Ultralytics YOLO11-Modells zur Bildklassifizierung.

YOLO11 auf Ultralytics HUB ausprobieren#

Obwohl die Verwendung des Ultralytics-Pakets unkompliziert ist, erfordert sie einige Python-Kenntnisse. Wenn du nach einer anfängerfreundlicheren Option suchst, kannst du den Ultralytics HUB verwenden – eine Plattform, die das Training und die Bereitstellung verschiedener YOLO-Modelle einfach und zugänglich macht. Um loszulegen, musst du create an account.

Sobald du angemeldet bist, navigiere zum Bereich „Models“ und wähle das Ultralytics YOLO11-Modell für die Bildklassifizierung aus. Dir wird eine Reihe verfügbarer Modellgrößen angezeigt: nano, small, medium, large und extra-large. Nach der Auswahl eines Modells kannst du im Bereich „Preview“ ein Bild hochladen, wobei die Vorhersagen auf der linken Seite der Seite erscheinen, sobald das Bild verarbeitet wurde.

Abb. 8. Verwendung des Ultralytics HUB zur Durchführung einer Inferenz.

Wichtige Erkenntnisse#

YOLO11 bietet leistungsstarke Bildklassifizierungsfunktionen, die neue Möglichkeiten in verschiedenen Branchen eröffnen. Von der Verbesserung der Pflanzenüberwachung in der Landwirtschaft und der Verbesserung der Produktsuche im Einzelhandel bis hin zur Unterstützung des Artenschutzes macht die Geschwindigkeit und Genauigkeit von YOLO11 es ideal für vielfältige Anwendungen. Mit Optionen für benutzerdefiniertes Training über das Ultralytics Python-Paket oder ein benutzerfreundliches, Code-freies Setup auf dem Ultralytics HUB können Benutzer YOLO11 einfach 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, besuche unser GitHub repository und vernetze dich mit unserer community. Entdecke KI-Anwendungen in self-driving cars und im Bereich healthcare auf unseren Lösungsseiten. 🚀