Comment utiliser Ultralytics YOLO11 pour la classification d'images

Disons qu'un robot regarde deux chats, un noir et un blanc, et qu'il doit déterminer qui est qui. Pour ce faire, il peut utiliser la classification d'images, une tâche de vision par ordinateur qui aide à identifier et à catégoriser des objets ou des scènes dans une image. En fait, grâce aux récentes avancées en intelligence artificielle (IA), la classification d'images peut être utilisée dans une grande variété d'applications allant de la surveillance animale à la fabrication et à l'agriculture avec la détection des maladies des cultures.

L'une des dernières avancées en matière de classification d'images est le modèle Ultralytics YOLO11. Lancé lors de l'événement hybride annuel d'Ultralytics, YOLO Vision 2024 (YV24), YOLO11 est conçu pour aborder une grande variété de tâches de vision par IA, y compris la classification d'images, avec aisance et précision.

Dans cet article, nous explorerons les fondamentaux de la classification d'images, discuterons d'applications du monde réel et te montrerons comment utiliser YOLO11 pour la classification d'images via le paquet Python d'Ultralytics. Nous examinerons également comment tester les capacités de YOLO11 sur Ultralytics HUB en quelques étapes simples. C'est parti !

Fig 1. Un exemple d'utilisation d'Ultralytics YOLO11 pour classer un chat persan.

Qu'est-ce que la classification d'images ?#

La classification d'images consiste à assigner une étiquette ou un tag à une image en se basant sur des motifs appris à partir d'images précédemment étiquetées. En analysant soigneusement les pixels d'une image, un modèle de vision par ordinateur peut trouver la meilleure correspondance pour l'image. Des modèles fiables comme Ultralytics YOLO11 peuvent gérer ce processus de manière transparente. L'architecture de modèle de YOLO11 permet de traiter des images ou des trames vidéo presque instantanément, ce qui le rend idéal pour les applications nécessitant une classification d'images rapide et précise.

Pour bien comprendre la portée de la classification d'images, il est utile de la distinguer d'autres tâches comme la détection d'objets. Alors que la classification d'images étiquette une image entière, la détection d'objets identifie et localise chaque objet dans l'image.

Fig 2. Une comparaison de la classification d'images, de la détection d'objets et de la segmentation d'images.

Prenons l'image d'une girafe. En classification d'images, le modèle peut étiqueter toute l'image simplement comme une girafe en fonction de son contenu global. Cependant, avec la détection d'objets, le modèle ne s'arrête pas à l'identification de la girafe ; il place également une boîte englobante autour de la girafe, déterminant son emplacement exact dans l'image.

Maintenant, imagine la girafe debout près d'un arbre dans une savane avec d'autres animaux. Un modèle de classification d'images pourrait étiqueter toute la scène comme étant une savane ou simplement de la faune. Cependant, avec la détection d'objets, le modèle identifierait chaque élément individuellement, reconnaissant la girafe, l'arbre et les autres animaux, chacun avec ses propres boîtes englobantes.

Applications de classification d'images avec Ultralytics YOLO11#

La précision et les performances du modèle Ultralytics YOLO11 pour la classification d'images le rendent utile dans un large éventail d'industries. Explorons quelques-unes des principales applications de YOLO11 dans la classification d'images.

Classification d'images avec Ultralytics YOLO11 en agriculture#

La classification d'images peut aider à rationaliser de nombreuses fonctions dans l'industrie de l'agriculture et de l'élevage. Plus précisément, en utilisant des modèles de classification d'images tels que YOLO11, les agriculteurs peuvent surveiller constamment la santé de leurs cultures, détecter des maladies graves et identifier toute infestation de nuisibles avec une grande précision.

Voici un aperçu de la façon dont cela fonctionne :

• Capture d'images : Les appareils de l'Internet des objets (IoT) comme les caméras et les drones peuvent être déployés pour capturer des images en temps réel des cultures sous différents angles et emplacements à travers les champs.
• Traitement : Selon les ressources disponibles et la connectivité, les images peuvent être traitées sur place grâce au filtrage en périphérie (edge computing) ou téléchargées dans le cloud pour une analyse plus intensive.
• Classification d'images avec YOLO11 : Le modèle YOLO11 peut analyser ces images pour classifier différentes conditions des cultures. Les classes courantes peuvent inclure sain, malade, infesté par des nuisibles ou carencé en nutriments, ce qui aide à identifier des problèmes spécifiques affectant différentes zones du champ.
• Génération d'insights : Basé sur les classifications, Ultralytics YOLO11 fournit des insights sur les indicateurs de santé des cultures, aidant les agriculteurs à détecter les premiers signes de maladie, à identifier les foyers de parasites ou à repérer les carences en nutriments.
• Prise de décision éclairée : Grâce à ces insights, les agriculteurs peuvent prendre des décisions ciblées concernant l'irrigation, la fertilisation et la lutte antiparasitaire, en appliquant les ressources uniquement là où elles sont le plus nécessaires.

Fig 3. Un exemple de différentes classes de feuilles, de saines à infectées.

Classification d'images avec Ultralytics YOLO11 dans le commerce de détail#

La classification d'images peut améliorer considérablement l'expérience d'achat au détail, la rendant plus personnalisée et conviviale. Les détaillants peuvent utiliser des modèles de vision par ordinateur entraînés sur mesure pour reconnaître les produits de leur inventaire et intégrer cette capacité dans leurs applications mobiles ou sites Web. Les clients peuvent alors rechercher des produits simplement en téléugeant une photo, rendant le shopping plus rapide et plus pratique.

Une fois qu'un client télécharge une image dans un système de recherche visuelle, plusieurs choses se produisent en coulisses avant que les résultats de recherche ne s'affichent.

Tout d'abord, la détection d'objets peut être utilisée pour sélectionner les principaux éléments de l'image, comme l'identification d'un vêtement ou d'un meuble et sa séparation de l'arrière-plan. Ensuite, la classification d'images peut être utilisée pour catégoriser davantage chaque article, en reconnaissant s'il s'agit d'une veste, d'une chemise, d'un canapé ou d'une table.

Avec ces informations, le système peut afficher des produits similaires disponibles à l'achat, ce qui est particulièrement utile pour trouver des articles uniques ou tendance qu'il est difficile de décrire avec des mots seuls. La même technologie peut également aider à rationaliser d'autres tâches de vente au détail, telles que la gestion des stocks, en reconnaissant et en catégorisant automatiquement les articles.

Fig 4. Une plateforme de recherche visuelle basée sur la classification d'images en action.

Surveillance de la faune avec la classification d'images Ultralytics YOLO11#

Traditionnellement, la surveillance des animaux sauvages est une tâche fastidieuse qui implique de nombreuses personnes triant et analysant manuellement des milliers de photos. Grâce à des modes de vision par ordinateur comme Ultralytics YOLO11, les chercheurs peuvent surveiller automatiquement les animaux à un rythme plus rapide. Des caméras peuvent être placées dans les habitats naturels pour prendre des photos. Le modèle de vision par IA peut ensuite être utilisé pour analyser ces photos et classifier les animaux qui s'y trouvent (le cas échéant). Un tel système peut aider les chercheurs à étudier et à suivre les populations animales, leurs modèles de migration, etc.

Une autre façon dont les modèles d'IA et de vision par ordinateur comme Ultralytics YOLO11 peuvent aider dans ce domaine est de rationaliser le processus de classification des espèces en voie de disparition. En identifiant les espèces potentielles ou les catégories de races auxquelles un animal peut appartenir, ces modèles peuvent fournir des données essentielles pour les chercheurs. Par exemple, l'Université de Tasmanie (UTAS) a développé un système basé sur la classification d'images pour surveiller différentes espèces sauvages de Tasmanie. Les prédictions des modèles peuvent ensuite aider les scientifiques et les chercheurs à garder un œil sur l'activité et le comportement des animaux, ce qui peut signaler des menaces telles que le braconnage ou la perte d'habitat.

Fig. 5. Ultralytics YOLO11 prédisant les races possibles auxquelles un chien pourrait appartenir.

Essayer la classification d'images avec le modèle Ultralytics YOLO11#

Maintenant que nous avons discuté de ce qu'est la classification d'images et exploré certaines de ses applications, voyons comment tu peux essayer la classification d'images avec le nouveau modèle YOLO11. Il y a deux façons simples de commencer : en utilisant le paquet Python d'Ultralytics ou via Ultralytics HUB. Nous allons passer en revue ces deux options.

Exécution d'inférences à l'aide d'Ultralytics YOLO11#

Pour commencer avec le paquet Python d'Ultralytics, installe-le simplement à l'aide de pip, conda ou Docker. Si tu rencontres des problèmes, consulte notre Guide des problèmes courants pour obtenir des conseils de dépannage utiles.

Une fois le paquet installé, tu peux utiliser le code suivant pour charger une variante du modèle de classification d'images Ultralytics YOLO11 et exécuter une inférence sur une image. Exécuter une inférence signifie utiliser un modèle entraîné pour faire des prédictions sur de nouvelles données inédites. Tu peux l'essayer avec une image de ton choix !

Fig 6. Exécution d'inférences à l'aide du modèle Ultralytics YOLO11.

Entraîner un modèle de classification personnalisé Ultralytics YOLO11#

Tu peux aussi utiliser le même paquet Python pour entraîner un modèle de classification personnalisé d'Ultralytics YOLO11. L'entraînement personnalisé te permet d'affiner un modèle YOLO11 pour tes besoins spécifiques. Par exemple, si tu développes une application pour classifier différentes races de chats, tu peux entraîner sur mesure un modèle YOLO11 juste pour cet objectif.

Le code ci-dessous montre comment charger et entraîner un modèle de classification d'images Ultralytics YOLO11. Il te permet de transférer des poids pré-entraînés, en utilisant les connaissances d'un modèle existant pour booster les performances de ton propre modèle. Tu peux spécifier un jeu de données, comme le jeu de données "fashion-mnist", qui est un ensemble bien connu d'images en nuances de gris d'articles vestimentaires (chemises, pantalons, chaussures, etc.). L'entraînement du modèle sur ce jeu de données lui apprend à reconnaître différentes catégories de vêtements. Tu peux remplacer "fashion-mnist" par n'importe quel jeu de données qui correspond à ton projet, comme des races de chats ou des types de plantes.

Fig 7. Entraînement personnalisé d'un modèle Ultralytics YOLO11 pour la classification d'images.

Essayer YOLO11 sur Ultralytics HUB#

Bien que l'utilisation du paquet Ultralytics soit simple, elle nécessite quelques connaissances en Python. Si tu cherches une option plus conviviale pour les débutants, tu peux utiliser Ultralytics HUB, une plateforme conçue pour rendre l'entraînement et le déploiement de différents modèles YOLO simples et accessibles. Pour commencer, tu devras créer un compte.

Une fois connecté, navigue vers la section « Modèles » et sélectionne le modèle Ultralytics YOLO11 pour la classification d'images. Tu verras une gamme de tailles de modèles disponibles : nano, small, medium, large et extra-large. Après avoir choisi un modèle, tu peux télécharger une image dans la section « Aperçu », où les prédictions apparaîtront sur le côté gauche de la page une fois l'image traitée.

Fig 8. Utilisation d'Ultralytics HUB pour exécuter une inférence.

Points clés#

YOLO11 offre des capacités de classification d'images puissantes qui ouvrent de nouvelles possibilités dans divers secteurs. De l'amélioration de la surveillance des cultures dans l'agriculture à l'amélioration des recherches de produits dans le commerce de détail en passant par le soutien à la conservation de la faune, la vitesse et la précision de YOLO11 le rendent idéal pour des applications diverses. Avec des options pour un entraînement personnalisé via le package Python Ultralytics ou une configuration sans code conviviale sur Ultralytics HUB, les utilisateurs peuvent facilement intégrer YOLO11 dans leurs flux de travail. Alors que de plus en plus d'industries adoptent des solutions d'IA, YOLO11 offre un outil flexible et performant qui soutient l'innovation et les avancées pratiques.

Pour en savoir plus, visite notre répertoire GitHub et interagis avec notre communauté. Explore les applications de l'IA dans les voitures autonomes et la santé sur nos pages de solutions. 🚀