So verwendest du Ultralytics YOLO11 zur Bildklassifizierung

Stell dir vor, 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 Objekte oder Szenen in einem Bild erkannt und kategorisiert werden. Dank der jüngsten Fortschritte in der künstlichen Intelligenz (AI) lässt sich die Bildklassifizierung für viele verschiedene Anwendungen einsetzen – von der Tierbeobachtung bis hin zur Fertigung und der Erkennung von Pflanzenkrankheiten in der Landwirtschaft.

Eine bemerkenswerte Weiterentwicklung im Bereich der Bildklassifizierung ist das Modell Ultralytics YOLO11. Das Modell wurde bei Ultralytics' jährlichem hybriden Event, YOLO Vision 2024 (YV24), vorgestellt. YOLO11 wurde entwickelt, um eine Vielzahl von Aufgaben im Bereich der visuellen KI, darunter auch die Bildklassifizierung, einfach und präzise zu bewältigen. (Inzwischen wurde YOLO11 durch Ultralytics YOLO26 abgelöst, das dieselben Aufgaben unterstützt.)

In diesem Artikel erklären wir die Grundlagen der Bildklassifizierung, besprechen praktische Anwendungen und zeigen dir, wie du YOLO11 mithilfe des Ultralytics-Python-Pakets zur Bildklassifizierung einsetzen kannst. Außerdem zeigen wir dir in wenigen einfachen Schritten, wie du die Möglichkeiten von YOLO11 auf Ultralytics HUB (jetzt Ultralytics Platform) ausprobieren kannst. Los geht’s!

Abb. 1. Beispiel für die Klassifizierung einer Perserkatze mit Ultralytics YOLO11.

Was ist Bildklassifizierung?#

Bei der Bildklassifizierung wird einem Bild anhand von Mustern aus zuvor beschrifteten Bildern eine Bezeichnung oder ein Etikett zugewiesen. Durch eine sorgfältige Analyse der Bildpixel kann ein Computer-Vision-Modell die passendste Kategorie ermitteln. Zuverlässige Modelle wie Ultralytics YOLO11 erledigen diese Aufgabe effizient. Dank seiner Modellarchitektur kann YOLO11 Bilder oder Videobilder nahezu sofort verarbeiten und eignet sich damit ideal für Anwendungen, die eine schnelle und präzise Bildklassifizierung erfordern.

Um den Umfang der Bildklassifizierung wirklich zu verstehen, hilft es, sie von anderen Aufgaben wie der Objekterkennung abzugrenzen. Während die Bildklassifizierung ein gesamtes Bild klassifiziert, identifiziert und lokalisiert die Objekterkennung jedes Objekt im Bild.

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

Betrachten wir das Bild einer Giraffe. Bei der Bildklassifizierung könnte das Modell das gesamte Bild anhand seines Inhalts einfach als Giraffe einordnen. Bei der Objekterkennung beschränkt sich das Modell jedoch nicht darauf, die Giraffe zu erkennen: Es zeichnet zusätzlich einen Begrenzungsrahmen um die Giraffe und markiert so ihre genaue Position im Bild.

Stell dir nun eine Giraffe vor, die in einer Savanne nahe einem Baum und anderen Tieren steht. Ein Bildklassifizierungsmodell könnte die gesamte Szene als Savanne oder einfach als Tierwelt klassifizieren. Bei der Objekterkennung würde das Modell jedoch jedes Element einzeln identifizieren und die Giraffe, den Baum und die anderen Tiere jeweils mit einem eigenen Begrenzungsrahmen erkennen.

Anwendungen der Bildklassifizierung mit Ultralytics YOLO11#

Dank seiner Genauigkeit und Leistung eignet sich das Ultralytics-YOLO11-Modell zur Bildklassifizierung für zahlreiche Branchen. Sehen wir uns einige wichtige Anwendungsbereiche von YOLO11 für die Bildklassifizierung an.

Bildklassifizierung mit Ultralytics YOLO11 in der Landwirtschaft#

Die Bildklassifizierung kann viele Arbeitsabläufe in der Landwirtschaft und im Ackerbau vereinfachen. Mit Bildklassifizierungsmodellen wie YOLO11 können Landwirte den Gesundheitszustand ihrer Pflanzen kontinuierlich überwachen, schwerwiegende Krankheiten erkennen und Schädlingsbefall mit hoher Genauigkeit feststellen.

So funktioniert das:

• Bilderfassung: Geräte des Internets der Dinge (IoT) wie Kameras und Drohnen können eingesetzt werden, um Echtzeitbilder von Nutzpflanzen aus verschiedenen Blickwinkeln und an unterschiedlichen Standorten auf den Feldern aufzunehmen.
• Verarbeitung: Je nach verfügbaren Ressourcen und Netzwerkanbindung können Bilder vor Ort mittels Edge Computing verarbeitet oder zur eingehenderen Analyse in die Cloud hochgeladen werden.
• Bildklassifizierung mit YOLO11: Das YOLO11-Modell kann diese Bilder analysieren und verschiedene Zustände der Nutzpflanzen klassifizieren. Häufige Klassen sind beispielsweise gesund, krank, von Schädlingen befallen oder nährstoffarm. So lassen sich bestimmte Probleme in unterschiedlichen Bereichen des Feldes genau lokalisieren.
• Erkenntnisse gewinnen: Anhand der Klassifizierungen liefert Ultralytics YOLO11 Erkenntnisse über Indikatoren für die Pflanzengesundheit. So können Landwirte frühe Krankheitsanzeichen erkennen, Schädlingsherde identifizieren oder Nährstoffmangel feststellen.
• Fundierte Entscheidungen treffen: Mithilfe dieser Erkenntnisse können Landwirte gezielte Entscheidungen zu Bewässerung, Düngung und Schädlingsbekämpfung treffen und Ressourcen nur dort einsetzen, wo sie am dringendsten benötigt werden.

Abb. 3. Beispiele für verschiedene Blattklassen, von gesund bis befallen.

Bildklassifizierung mit Ultralytics YOLO11 im Einzelhandel#

Die Bildklassifizierung kann das Einkaufserlebnis im Einzelhandel deutlich verbessern und persönlicher sowie benutzerfreundlicher gestalten. Einzelhändler können individuell trainierte Bildverarbeitungsmodelle einsetzen, um Produkte in ihrem Sortiment zu erkennen und diese Funktion in ihre mobilen Apps oder Websites zu integrieren. Kunden können dann einfach ein Foto hochladen, um nach Produkten zu suchen – das macht das Einkaufen schneller und bequemer.

Sobald ein Kunde ein Bild in ein System für die visuelle Suche hochlädt, geschieht im Hintergrund einiges, bevor die Suchergebnisse angezeigt werden.

Zunächst kann die Objekterkennung die wichtigsten Elemente im Bild herausfiltern, etwa ein Kleidungsstück oder ein Möbelstück erkennen und vom Hintergrund trennen. Anschließend kann die Bildklassifizierung jeden Gegenstand genauer einordnen und erkennen, ob es sich um eine Jacke, ein Hemd, ein Sofa oder einen Tisch handelt.

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

Abb. 4. Eine Plattform für die visuelle Suche auf Basis von Bildklassifizierung in Aktion.

Wildtierüberwachung mit Bildklassifizierung durch Ultralytics YOLO11#

Traditionell ist die Überwachung von Wildtieren eine mühsame Aufgabe, bei der viele Menschen Tausende von Fotos manuell sortieren und analysieren. Mit Bildverarbeitungsmodellen wie Ultralytics YOLO11 können Forschende Tiere schneller automatisch überwachen. Kameras lassen sich in natürlichen Lebensräumen aufstellen, um Fotos aufzunehmen. Anschließend kann das Bildverarbeitungsmodell mit künstlicher Intelligenz diese Fotos analysieren und die darin abgebildeten Tiere klassifizieren, falls vorhanden. Ein solches System kann Forschenden dabei helfen, Tierpopulationen und ihre Wanderrouten zu untersuchen und nachzuverfolgen.

Eine weitere Möglichkeit, wie künstliche Intelligenz und Bildverarbeitungsmodelle wie Ultralytics YOLO11 in diesem Bereich helfen können, ist die Vereinfachung der Klassifizierung gefährdeter Arten. Indem diese Modelle mögliche Arten- oder Rassenkategorien erkennen, zu denen ein Tier gehören könnte, können sie Forschenden wichtige Daten liefern. So entwickelte die University of Tasmania (UTAS) ein auf Bildklassifizierung basierendes System zur Überwachung verschiedener Wildtiere Tasmaniens. Die Vorhersagen der Modelle können Wissenschaftlern und Forschenden dabei helfen, die Aktivität und das Verhalten von Tieren im Blick zu behalten, da diese auf Bedrohungen wie Wilderei oder den Verlust von Lebensräumen hinweisen können.

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

Bildklassifizierung mit dem Modell Ultralytics YOLO11 ausprobieren#

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

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.

Nach der Installation des Pakets kannst du mit dem folgenden Code eine Variante des Bildklassifizierungsmodells Ultralytics YOLO11 laden und ein Bild inferieren. Bei einer Inferenz verwendet ein trainiertes Modell neue, bisher ungesehene Daten, um Vorhersagen zu treffen. Probiere es mit einem Bild deiner Wahl aus!

Abb. 6. Inferenz mit dem Modell Ultralytics YOLO11 ausführen.

Ein benutzerdefiniertes Klassifizierungsmodell mit Ultralytics YOLO11 trainieren#

Mit demselben Python-Paket kannst du auch ein benutzerdefiniertes Ultralytics-YOLO11-Klassifizierungsmodell trainieren. Durch benutzerdefiniertes Training kannst du ein YOLO11-Modell für deine spezifischen Anforderungen feinabstimmen. Wenn du beispielsweise eine App entwickelst, die verschiedene Katzenrassen klassifizieren soll, kannst du dafür einen YOLO11-Klassifizierer speziell trainieren.

Der folgende Code zeigt, wie du ein Ultralytics-YOLO11-Bildklassifizierungsmodell lädst und trainierst. Damit kannst du vortrainierte Gewichte übernehmen und das Wissen eines bestehenden Modells nutzen, um die Leistung deines eigenen Modells zu verbessern. Du kannst einen Datensatz angeben, zum Beispiel den Datensatz „fashion-mnist“, eine bekannte Sammlung von Graustufenbildern mit Kleidungsstücken wie Hemden, Hosen und Schuhen. Durch das Training mit diesem Datensatz lernt das Modell, verschiedene Kleidungskategorien zu erkennen. Du kannst „fashion-mnist“ durch jeden Datensatz ersetzen, der zu deinem Projekt passt, etwa zu Katzenrassen oder Pflanzenarten.

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

YOLO11 auf Ultralytics HUB ausprobieren#

Die Verwendung des Ultralytics-Pakets ist zwar unkompliziert, erfordert aber gewisse Python-Kenntnisse. Wenn du eine einsteigerfreundlichere Option suchst, kannst du 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, gehe zum Bereich „Models“ 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, erscheinen die Vorhersagen auf der linken Seite der Seite.

Abb. 8. Mit Ultralytics HUB eine Inferenz ausführen.

Die wichtigsten Erkenntnisse#

YOLO11 bietet leistungsstarke Funktionen zur Bildklassifizierung, die in zahlreichen Branchen neue Möglichkeiten eröffnen. Von einer verbesserten Überwachung von Nutzpflanzen in der Landwirtschaft über optimierte Produktsuchen im Einzelhandel bis hin zur Unterstützung des Artenschutzes – dank seiner Geschwindigkeit und Genauigkeit eignet sich YOLO11 für vielfältige Anwendungen. Mit Optionen für benutzerdefiniertes Training über das Ultralytics-Python-Paket oder einer benutzerfreundlichen, programmierfreien Einrichtung auf Ultralytics HUB können Nutzer YOLO11 problemlos in ihre Arbeitsabläufe integrieren. Da immer mehr Branchen künstliche Intelligenz einsetzen, bietet YOLO11 eine flexible und schnelle Möglichkeit zur Bildklassifizierung.

Weitere Informationen findest du in unserem GitHub-Repository und kannst dich mit unserer Community austauschen. Auf unseren Lösungsseiten findest du Anwendungen künstlicher Intelligenz für selbstfahrende Autos und das Gesundheitswesen.