11. November 2024
Erfahren Sie, wie das neue Ultralytics YOLO11 die Bildklassifizierung verbessert und eine höhere Genauigkeit für Aufgaben in der Landwirtschaft, im Einzelhandel und bei der Überwachung von Wildtieren 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 im Bereich der Bildklassifizierung ist das ModellYOLO11 Ultralytics . Es wurde auf der jährlichen HybridveranstaltungUltralytics, der YOLO Vision 2024 (YV24), vorgestellt, YOLO11 wurde entwickelt, um eine Vielzahl von KI-Aufgaben, einschließlich der Bildklassifizierung, mit Leichtigkeit und Präzision zu bewältigen.
In diesem Artikel gehen wir auf die Grundlagen der Bildklassifizierung ein, diskutieren reale Anwendungen und zeigen Ihnen, wie Sie mit YOLO11 mit Hilfe des Ultralytics Python für die Bildklassifizierung nutzen können. Wir werden auch einen Blick darauf werfen, wie Sie die Fähigkeiten vonYOLO11 auf dem Ultralytics HUB in ein paar einfachen Schritten ausprobieren können. Los geht's!
Bei der Bildklassifizierung wird einem Bild auf der Grundlage von Mustern, die aus zuvor gekennzeichneten Bildern gelernt wurden, ein Etikett oder eine Kennzeichnung zugewiesen. Durch sorgfältige Analyse der Pixel eines Bildes kann ein Computer-Vision-Modell die beste Übereinstimmung für das Bild finden. Zuverlässige Modelle wie YOLO11 können diesen Prozess nahtlos verarbeiten. Die Modellarchitektur von YOLO11ermöglicht die nahezu sofortige Verarbeitung von Bildern oder Videoframes und ist damit ideal für Anwendungen, die eine schnelle und genaue Bildklassifizierung erfordern.
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 desYOLO11 Ultralytics 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 zur Rationalisierung zahlreicher Funktionen in der Landwirtschaft und der Agrarindustrie beitragen. Mithilfe von Bildklassifizierungsmodellen wie YOLO11 können Landwirte den Gesundheitszustand ihrer Ernten ständig überwachen, schwere Krankheiten detect 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 Menschen Tausende von Fotos manuell sortieren und analysieren müssen. Mit Computer-Vision-Modi wie YOLO11 können Forscher Tiere automatisch und schneller überwachen. Kameras können in natürlichen Lebensräumen platziert werden, um Fotos zu machen. Das KI-Modell kann dann verwendet werden, um diese Fotos zu analysieren und die Tiere darauf classify (falls vorhanden). Ein solches System kann Forschern bei der Untersuchung und track Tierpopulationen, ihre Migrationsmuster usw. zu untersuchen und zu verfolgen.
Eine weitere Möglichkeit, wie KI- und Computer-Vision-Modelle wie YOLO11 in diesem Bereich helfen können, besteht darin, den Prozess der Klassifizierung gefährdeter Arten zu rationalisieren. Durch die Identifizierung potenzieller Arten oder Rassenkategorien, zu denen ein Tier gehören könnte, können diese Modelle wichtige Daten für Forscher liefern. Die Universität von Tasmanien (UTAS) hat zum Beispiel ein auf Bildklassifizierung basierendes System zur Überwachung verschiedener tasmanischer Wildtiere entwickelt. Die Vorhersagen der Modelle können Wissenschaftlern und Forschern dabei helfen, die Aktivitäten und das Verhalten der Tiere im Auge zu behalten, die auf Bedrohungen wie Wilderei oder Lebensraumverlust hinweisen können.
Nachdem wir nun besprochen haben, was Bildklassifizierung ist und einige ihrer Anwendungen erforscht haben. Schauen wir uns nun an, wie Sie die Bildklassifizierung mit dem neuen YOLO11 ausprobieren können. Es gibt zwei einfache Möglichkeiten, damit zu beginnen: mit dem Ultralytics Python oder über Ultralytics HUB. Wir werden beide Möglichkeiten durchgehen.
Um mit dem Ultralytics Python zu beginnen, installieren Sie es einfach mit pip, conda oder Docker. Wenn Sie auf Probleme stoßen, finden Sie in unserem Leitfaden für häufige Probleme hilfreiche Tipps zur Fehlerbehebung.
Sobald das Paket installiert ist, können Sie den folgenden Code verwenden, um eine Variante des YOLO11 zu laden und eine Inferenz für ein Bild durchzuführen. Eine Inferenz durchzuführen bedeutet, ein trainiertes Modell zu verwenden, um Vorhersagen für neue, ungesehene Daten zu treffen. Sie können dies mit einem Bild Ihrer Wahl ausprobieren!
Sie können dasselbe Python auch verwenden, um ein benutzerdefiniertes YOLO11 zu trainieren. Das benutzerdefinierte Training ermöglicht es Ihnen, ein YOLO11 auf Ihre speziellen Bedürfnisse abzustimmen. Wenn Sie zum Beispiel eine App zur classify verschiedener Katzenrassen entwickeln, können Sie ein YOLO11 speziell für diesen Zweck trainieren.
Der folgende Code zeigt, wie man ein YOLO11 lädt und trainiert. Es ermöglicht Ihnen, bereits trainierte Gewichte zu übertragen und das Wissen aus einem bestehenden Modell zu nutzen, um die Leistung Ihres eigenen Modells zu steigern. Sie können einen Datensatz angeben, z. B. den "fashion-mnist"-Datensatz, einen bekannten Satz von Graustufenbildern von Kleidungsstücken (Hemden, Hosen, Schuhe usw.). Wenn Sie das Modell mit diesem Datensatz trainieren, lernt es, verschiedene Kleidungskategorien zu erkennen. Sie können "fashion-mnist" gegen einen beliebigen Datensatz austauschen, der zu Ihrem Projekt passt, z. B. Katzenrassen oder Pflanzentypen.
Die Verwendung des Ultralytics ist zwar einfach, erfordert aber einige Python. Wenn Sie nach einer einsteigerfreundlicheren Option suchen, können Sie den Ultralytics HUB verwenden, eine Plattform, die das Training und die Bereitstellung verschiedener YOLO einfach und zugänglich macht. Um loszulegen, müssen Sie ein Konto erstellen.
Sobald Sie angemeldet sind, navigieren Sie zum Abschnitt "Modelle" und wählen Sie das Modell YOLO11 für die Bildklassifizierung aus. Es stehen verschiedene Modellgrößen zur Verfügung: nano, klein, mittel, groß und extragroß. Nachdem Sie ein Modell ausgewählt haben, können Sie ein Bild in den Bereich "Vorschau" hochladen, wo die Vorhersagen auf der linken Seite der Seite erscheinen, sobald das Bild verarbeitet ist.
YOLO11 bietet leistungsstarke Bildklassifizierungsfunktionen, die in verschiedenen Branchen neue Möglichkeiten eröffnen. Von der Verbesserung der Ernteüberwachung in der Landwirtschaft über die Verbesserung der Produktsuche im Einzelhandel bis hin zur Unterstützung des Artenschutzes - die Geschwindigkeit und Genauigkeit von YOLO11machen es ideal für verschiedene Anwendungen. Mit Optionen für benutzerdefinierte Schulungen über das Ultralytics Python oder eine benutzerfreundliche, codefreie Einrichtung auf Ultralytics HUB können Benutzer YOLO11 leicht in ihre Arbeitsabläufe einbinden. Da immer mehr Branchen KI-Lösungen einsetzen, bietet YOLO11 ein flexibles, leistungsstarkes Tool, das Innovationen 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. 🚀
