Classification d'images

La classification des images est une tâche fondamentale en vision par ordinateur (VA) qui consiste à attribuer une une étiquette ou une catégorie unique à l'ensemble d'une image numérique sur la base de son contenu visuel. Ce processus permet aux machines de Ce processus permet aux machines de "voir" et d'interpréter le monde en reconnaissant des modèles, des objets ou des scènes dans les données visuelles. En tant que de l'intelligence l'intelligence artificielle (IA), il sert de sert de base à des systèmes de reconnaissance visuelle plus complexes, permettant aux systèmes automatisés de catégoriser efficacement de grandes quantités d'informations visuelles. de grandes quantités d'informations visuelles.

Comment fonctionne la classification d'images ?

D'un point de vue technique, la classification d'images repose sur des des algorithmes d'apprentissage automatique (ML), en particulier les modèles d'apprentissage profond (DL) connus sous le nom de réseaux neuronaux convolutifs (CNN). Ces réseaux sont conçus pour traiter les données des pixels et procéder automatiquement à l'extraction des caractéristiques, en identifiant les éléments de bas niveau. l 'extraction de caractéristiques, en identifiant les comme les bords et les textures dans les premières couches et les formes complexes dans les couches plus profondes.

Le processus suit généralement une approche d'apprentissage supervisé:

1. Formation: Le modèle est alimenté par un ensemble de données étiquetées, telles que ImageNetcontenant des milliers ou des millions d'images dont les catégories sont connues.
2. L'apprentissage: Grâce à la rétropropagation, le réseau ajuste son fonctionnement interne. rétro-propagation, le réseau ajuste les poids de son internes afin de minimiser les erreurs de prédiction.
3. Inférence: Une fois entraîné, le modèle peut analyser de nouvelles images inédites et produire un score de probabilité pour chaque classe à l'aide d'une fonction softmax. pour chaque classe à l'aide d'une fonction softmax. La catégorie avec la probabilité la plus élevée est attribuée comme étiquette finale.

Des frameworks populaires comme PyTorch et TensorFlow fournissent les outils nécessaires pour construire et former ces architectures sophistiquées.

Différencier la classification des tâches connexes

Bien que la classification des images réponde à la question "Qu'y a-t-il dans cette image ? tâches de vision par ordinateur. Il est essentiel de comprendre les distinctions pour choisir l'outil adéquat pour un projet :

• Détection d'objets: Contrairement à la classification, qui étiquette l'ensemble de l'image, la détection d'objets identifie l'emplacement des objets. objets. Elle dessine une boîte de délimitation autour de chaque objet et les classe individuellement.
• Segmentation d'images: Elle offre une précision au niveau du pixel. La segmentation sémantique classe chaque pixel dans une catégorie (par exemple, route vs. ciel), tandis que la segmentation tandis que la segmentation d'instance fait la distinction entre les objets individuels de la même classe.

Applications concrètes

La classification des images est omniprésente dans tous les secteurs d'activité, car elle permet d'automatiser et d'améliorer les processus de prise de décision.

1. Imagerie médicale et soins de santé

Dans le domaine de l'analyse des images médicales, les modèles de classification aident les radiologues à présélectionner les images. Par exemple, les algorithmes peuvent classify radiographies du thorax ou les IRM comme "normales" ou "anormales". IRM comme "normales" ou "anormales", signalant les problèmes potentiels comme la pneumonie ou les tumeurs à examiner en priorité. prioritaires. Des recherches menées par les National Institutes of Health (NIH) montrent comment l'IA aide au diagnostic précoce des maladies, ce qui améliore considérablement les résultats pour les patients. Pour en savoir plus sur nos travaux en matière de détection des tumeurs à l'aide de YOLO11.

2. Agriculture intelligente

L'agriculture de précision utilise la classification d'images pour contrôler la santé des cultures. Les drones équipés de caméras capturent des images des champs, qui sont ensuite analysées pour classer les plantes comme saines, déficientes ou malades. des champs, qui sont ensuite analysées pour classify plantes comme saines, déficientes en nutriments ou malades. Cela permet intervention ciblée, ce qui permet de réduire l'utilisation de produits chimiques et d'augmenter les rendements. Le Département de l'agriculture des États-Unis (USDA) ministère de l'agriculture des États-Unis (USDA) souligne la façon dont ces technologies favorisent les pratiques agricoles durables. Découvrez comment Ultralytics soutient l 'IA dans l'agriculture pour révolutionner l'agriculture moderne.

Mise en œuvre de la classification avec YOLO11

Bien qu'il soit réputé pour sa capacité de détection, le Ultralytics YOLO11 est également très efficace pour les tâches de pour les tâches de classification d'images. Elle offre un équilibre entre vitesse et de précision, ce qui la rend adaptée aux applications en temps réel.

Voici un exemple concis de l'utilisation d'un modèle YOLO11 pré-entraîné pour classify une image à l'aide de la fonction ultralytics Paquet Python :

from ultralytics import YOLO

# Load a pre-trained YOLO11 classification model
model = YOLO("yolo11n-cls.pt")

# Run inference on an external image URL
results = model("https://ultralytics.com/images/bus.jpg")

# Print the top predicted class name
print(f"Predicted class: {results[0].names[results[0].probs.top1]}")

Pour les utilisateurs qui souhaitent créer leurs propres solutions, vous pouvez former des modèles personnalisés sur des ensembles de données spécifiques à l'aide de la même API. Que vous déployiez sur des appareils périphériques à l'aide d'outils tels que OpenCV ou de passer à l'échelle supérieure avec une infrastructure en nuage, les modèles de classification modernes offrent la polyvalence nécessaire à divers scénarios de déploiement. de déploiement.