So verwendest du Ultralytics YOLO11 zur Bildklassifizierung

Nehmen wir an, ein Roboter betrachtet zwei Katzen, eine schwarze und eine weiße, und muss herausfinden, welche welche ist. Um das zu tun, kann er Bildklassifizierung verwenden, eine Computer-Vision-Aufgabe, die dabei 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 Erkrankungserkennung bei Pflanzen reichen.

Eine der neuesten Entwicklungen im Bereich der Bildklassifizierung ist das Ultralytics YOLO11-Modell. Vorgestellt auf der jährlichen Hybrid-Veranstaltung von Ultralytics, YOLO Vision 2024 (YV24), wurde YOLO11 entwickelt, um eine Vielzahl von Vision AI-Aufgaben, einschließlich der Bildklassifizierung, mit Leichtigkeit und Präzision zu bewältigen.

In diesem Artikel erkunden wir die Grundlagen der Bildklassifizierung, besprechen praktische Anwendungen und zeigen dir, wie du YOLO11 für die Bildklassifizierung über das Ultralytics Python-Paket nutzen kannst. Wir werfen auch einen Blick darauf, wie du die Fähigkeiten von YOLO11 in wenigen einfachen Schritten auf dem Ultralytics HUB ausprobieren kannst. Fangen wir an!

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

Link to this sectionWas ist Bildklassifizierung?#

Bildklassifizierung funktioniert durch das Zuweisen eines Labels oder Tags zu einem Bild basierend auf Mustern, die aus zuvor gelabelten Bildern gelernt wurden. Durch die 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 handhaben. Die Modellarchitektur von YOLO11 ermöglicht es, Bilder oder Videoframes fast sofort zu verarbeiten, was es ideal für Anwendungen macht, die eine schnelle und präzise 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 ganzes Bild labelt, identifiziert und lokalisiert die Objekterkennung jedes einzelne Objekt innerhalb des Bildes.

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

Stellen wir uns ein Bild einer Giraffe vor. Bei der Bildklassifizierung könnte das Modell das gesamte Bild einfach als Giraffe bezeichnen, basierend auf seinem allgemeinen Inhalt. Bei der Objekterkennung bleibt das Modell jedoch nicht bei der Identifizierung der Giraffe stehen; es platziert auch einen Begrenzungsrahmen um die Giraffe und bestimmt so ihren genauen Standort innerhalb des Bildes.

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.

Link to this sectionYOLO11 Bildklassifizierungsanwendungen#

Die Genauigkeit und Leistung des Ultralytics YOLO11-Modells für die Bildklassifizierung macht es in einer Vielzahl von Branchen nützlich. Lass uns einige der wichtigsten Anwendungen von YOLO11 bei der Bildklassifizierung erkunden.

Link to this sectionYOLO11 Bildklassifizierung in der Landwirtschaft#

Bildklassifizierung kann helfen, viele Funktionen in der Landwirtschaft und Agrarindustrie zu rationalisieren. Insbesondere durch die Verwendung von Bildklassifizierungsmodellen wie YOLO11 können Landwirte ständig den Zustand ihrer Pflanzen überwachen, ernsthafte Krankheiten erkennen und Schädlingsbefall mit hoher Genauigkeit identifizieren.

Hier ist ein Blick darauf, wie das funktioniert:

• Bildaufnahme: Internet of Things (IoT) Geräte wie Kameras und Drohnen können eingesetzt werden, um Echtzeitbilder von Pflanzen aus verschiedenen Winkeln und Standorten auf den Feldern aufzunehmen.
• Verarbeitung: Je nach verfügbaren Ressourcen und Konnektivität können Bilder vor Ort durch Edge Computing verarbeitet oder für eine intensivere Analyse in die Cloud hochgeladen werden.
• Bildklassifizierung mit YOLO11: Das YOLO11-Modell kann diese Bilder analysieren, um verschiedene Pflanzenzustände zu klassifizieren. Häufige Klassen könnten gesund, krank, schädlingsbefallen oder nährstoffarm sein, was dabei hilft, spezifische Probleme zu lokalisieren, die verschiedene Bereiche des Feldes betreffen.
• Erkenntnisgewinnung: Basierend auf den Klassifizierungen liefert YOLO11 Erkenntnisse über Indikatoren für die Pflanzengesundheit und hilft Landwirten, frühe Anzeichen von Krankheiten zu erkennen, Schädlingsherde zu identifizieren oder Nährstoffmängel aufzudecken.
• Fundierte Entscheidungsfindung: Mit diesen Erkenntnissen können Landwirte gezielte Entscheidungen über Bewässerung, Düngung und Schädlingsbekämpfung treffen und Ressourcen nur dort einsetzen, wo sie am meisten benötigt werden.

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

Link to this sectionYOLO11 Bildklassifizierung im Einzelhandel#

Bildklassifizierung kann das Einkaufserlebnis im Einzelhandel erheblich verbessern und es persönlicher und benutzerfreundlicher machen. Einzelhändler können benutzerdefinierte Computer-Vision-Modelle verwenden, um Produkte in ihrem Inventar zu erkennen und diese Fähigkeit in ihre mobilen Apps oder Websites zu integrieren. Kunden können dann einfach nach Produkten suchen, indem sie ein Foto hochladen, was den Einkauf 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 Objekterkennung verwendet werden, um die Hauptobjekte im Bild auszuwählen, wie zum Beispiel 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 abrufen, die zum Kauf verfügbar sind, was besonders hilfreich ist, um einzigartige oder trendige Artikel zu finden, die allein mit Worten schwer zu beschreiben sind. Dieselbe Technologie kann auch dazu beitragen, andere Einzelhandelsaufgaben wie Bestandsverwaltung zu rationalisieren, indem Artikel automatisch erkannt und kategorisiert werden.

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

Link to this sectionWildtierüberwachung mit YOLO11 Bildklassifizierung#

Traditionally, monitoring animals in the wild is a tedious task involving many people manually sorting and analyzing thousands of photos. With computer vision modes like YOLO11, researchers can automatically monitor animals at a faster rate. Cameras can be placed in natural habitats to take photos. The vision AI model can then be used to analyze these photos and classify the animals within them (if any). Such a system can help researchers study and track animal populations, their migration patterns, etc.

Ein weiterer Weg, 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. Zum Beispiel entwickelte die University of Tasmania (UTAS) ein auf Bildklassifizierung basierendes System zur Überwachung verschiedener tasmanischer Wildtiere. Die Vorhersagen der Modelle können Wissenschaftlern und Forschern dann helfen, Tieraktivitäten und -verhalten im Auge zu behalten, was auf Bedrohungen wie Wilderei oder Lebensraumverlust hinweisen kann.

Abb. 5. YOLO11 sagt die möglichen Rassen voraus, zu denen ein Hund gehören könnte.

Link to this sectionAusprobieren der Bildklassifizierung mit dem YOLO11-Modell#

Nachdem wir nun 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 Möglichkeiten für den Einstieg: die Verwendung des Ultralytics Python-Pakets oder über den Ultralytics HUB. Wir gehen beide Optionen durch.

Link to this sectionInferenz mit YOLO11 ausführen#

Um mit dem Ultralytics Python-Paket loszulegen, installiere es einfach mit pip, conda oder Docker. Wenn du auf Probleme stößt, schau dir unseren Leitfaden für allgemeine Probleme für hilfreiche Fehlerbehebungstipps an.

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

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

Link to this sectionTrainieren eines benutzerdefinierten YOLO11-Klassifizierungsmodells#

You can also use the same Python package to train a custom YOLO11 classification model. Custom training makes it possible for you to fine-tune a YOLO11 model for your specific needs. For example, if you’re developing an app to classify different cat breeds, you can custom-train a YOLO11 model just for that purpose.

Der unten stehende Code zeigt, wie man ein YOLO11-Bildklassifizierungsmodell lädt und trainiert. Er ermöglicht es dir, vorab trainierte Gewichte zu übertragen und Wissen von einem bestehenden Modell zu nutzen, um die Leistung deines eigenen Modells zu steigern. Du kannst einen Datensatz angeben, wie zum Beispiel den "fashion-mnist" Datensatz, der eine bekannte Sammlung von Graustufenbildern von Kleidungsstücken (Hemden, Hosen, Schuhe usw.) ist. Das Training des Modells auf diesem Datensatz lehrt es, verschiedene Kleidungskategorien zu erkennen. Du kannst "fashion-mnist" durch jeden Datensatz ersetzen, der zu deinem Projekt passt, wie zum Beispiel Katzenrassen oder Pflanzenarten.

Abb. 7. Benutzerdefiniertes Training eines YOLO11-Modells für die Bildklassifizierung.

Link to this sectionYOLO11 auf Ultralytics HUB ausprobieren#

Obwohl die Verwendung des Ultralytics-Pakets unkompliziert ist, erfordert sie einige Python-Kenntnisse. Wenn du nach einer einsteigerfreundlicheren Option suchst, kannst du den Ultralytics HUB verwenden, eine Plattform, die darauf ausgelegt ist, das Training und die Bereitstellung verschiedener YOLO-Modelle einfach und zugänglich zu machen. Um loszulegen, musst du ein Konto erstellen.

Sobald du angemeldet bist, navigiere zum Bereich 'Models' und wähle das YOLO11-Modell für die Bildklassifizierung aus. Du wirst eine Reihe von Modellgrößen sehen: nano, small, medium, large und extra-large. Nachdem du ein Modell ausgewählt hast, kannst du ein Bild im Bereich 'Preview' hochladen, wo die Vorhersagen auf der linken Seite der Seite erscheinen, sobald das Bild verarbeitet wurde.

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

Link to this sectionWichtige 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 engagiere dich in unserer Community. Erkunde KI-Anwendungen in selbstfahrenden Autos und im Gesundheitswesen auf unseren Lösungsseiten. 🚀