Una storia dei modelli di visione artificiale

Che cos'è la visione artificiale#

Immagina di entrare in un negozio dove una fotocamera ti riconosce il volto, analizza il tuo umore e ti suggerisce prodotti in linea con le tue preferenze, tutto in tempo reale. Non è fantascienza, ma una realtà resa possibile dai moderni modelli di visione. Secondo un rapporto di Fortune Business Insights, nel 2025 il mercato globale della visione artificiale è stato valutato 20,75 miliardi di dollari e si prevede che crescerà dai 24,14 miliardi del 2026 ai 72,80 miliardi entro il 2034, a conferma dei rapidi progressi e della crescente adozione di questa tecnologia in vari settori.

La visione artificiale consente ai computer di rilevare, identificare e analizzare oggetti all'interno delle immagini. Come altri campi legati all'IA, la visione artificiale si è evoluta rapidamente negli ultimi decenni.

La storia della visione artificiale è lunga. Nei primi anni, i modelli di visione artificiale erano in grado di rilevare forme e bordi semplici e spesso si limitavano ad attività di base come riconoscere schemi geometrici o distinguere aree chiare da quelle scure. Oggi, invece, i modelli possono svolgere attività complesse come il rilevamento di oggetti in tempo reale, il riconoscimento facciale e persino l'interpretazione delle emozioni dalle espressioni del volto, con una precisione e un'efficienza eccezionali. Questa notevole evoluzione evidenzia i grandi progressi nella potenza di calcolo, nella sofisticazione degli algoritmi e nella disponibilità di enormi quantità di dati per l'addestramento.

In questo articolo esploreremo le tappe fondamentali dell'evoluzione della visione artificiale. Ripercorreremo i suoi esordi, approfondiremo l'impatto trasformativo delle reti neurali convoluzionali (CNN) ed esamineremo i notevoli progressi che ne sono seguiti.

Gli esordi della visione artificiale#

Come in altri settori dell'AI, i primi sviluppi della visione artificiale sono iniziati con ricerche di base e studi teorici. Una tappa fondamentale fu il pionieristico lavoro di Lawrence G. Roberts sul riconoscimento di oggetti 3D, documentato nella sua tesi "Machine Perception of Three-Dimensional Solids" dei primi anni Sessanta. I suoi contributi hanno gettato le basi per i progressi successivi nel settore.

I primi algoritmi: rilevamento dei bordi#

Le prime ricerche sulla visione artificiale si concentravano sulle tecniche di elaborazione delle immagini, come il rilevamento dei bordi e l'estrazione delle caratteristiche. Algoritmi come l'operatore di Sobel, sviluppato alla fine degli anni Sessanta, furono tra i primi a rilevare i bordi calcolando il gradiente dell'intensità dell'immagine.

Fig 1. Un'immagine che illustra il rilevamento dei bordi: a sinistra è mostrato l'oggetto originale, a destra la versione con i bordi rilevati.

Tecniche come i rilevatori di bordi di Sobel e Canny hanno svolto un ruolo cruciale nell'identificazione dei contorni nelle immagini, essenziale per riconoscere gli oggetti e comprendere le scene.

Apprendimento automatico e visione artificiale#

Riconoscimento dei pattern#

Negli anni Settanta, il riconoscimento dei pattern emerse come un'area fondamentale della visione artificiale. I ricercatori svilupparono metodi per riconoscere forme, trame e oggetti nelle immagini, aprendo la strada a compiti di visione più complessi.

Fig 2. Riconoscimento dei pattern.

Uno dei primi metodi di riconoscimento dei pattern prevedeva il confronto con modelli predefiniti, in cui un'immagine viene confrontata con una serie di modelli per individuare la corrispondenza migliore. Questo approccio era limitato dalla sua sensibilità alle variazioni di scala, rotazione e rumore.

Fig 3. Un modello sul lato sinistro individuato nell'immagine a destra.

I primi sistemi di visione artificiale erano limitati dalla ridotta potenza di calcolo dell'epoca. Negli anni Sessanta e Settanta, i computer erano ingombranti, costosi e dotati di capacità di elaborazione limitate.

Il Deep Learning cambia le regole del gioco#

Deep Learning e reti neurali convoluzionali#

Il Deep Learning e le reti neurali convoluzionali (CNN) hanno segnato una svolta nel campo della visione artificiale. Questi progressi hanno trasformato radicalmente il modo in cui i computer interpretano e analizzano i dati visivi, consentendo una vasta gamma di applicazioni che in precedenza sembravano impossibili.

Come funzionano le CNN?#

Fig 4. Architettura di una rete neurale convoluzionale (CNN).

1. Livelli convoluzionali: le CNN utilizzano livelli convoluzionali per esaminare un'immagine applicando filtri o kernel. Scorrendo sull'immagine e calcolando prodotti scalari, questi filtri rilevano caratteristiche diverse, come bordi, texture e colori. Ogni filtro si attiva in presenza di pattern specifici nell'immagine, consentendo al modello di apprendere caratteristiche gerarchiche.
2. Funzioni di attivazione: dopo la convoluzione, funzioni di attivazione come ReLU (unità lineare rettificata), che restituisce direttamente l'input se è positivo e zero altrimenti, introducono la non linearità. Questo aiuta la rete ad apprendere pattern e rappresentazioni complesse.
3. Livelli di pooling: i livelli di pooling eseguono un'operazione di riduzione del campionamento che diminuisce la dimensionalità della mappa delle caratteristiche, aiutando a estrarre quelle più rilevanti e riducendo al contempo i costi computazionali e l'overfitting.
4. Livelli completamente connessi: gli ultimi livelli di una CNN sono completamente connessi e interpretano le caratteristiche estratte dai livelli convoluzionali e di pooling per formulare previsioni. Questi livelli sono simili a quelli delle reti neurali tradizionali.

Evoluzione dei modelli di visione basati su CNN#

L'evoluzione dei modelli di visione basati su CNN comprende diverse architetture degne di nota:

• LeNet (1989): LeNet è stata una delle prime architetture CNN, utilizzata principalmente per riconoscere cifre sugli assegni scritti a mano. Il suo successo ha gettato le basi per CNN più complesse, dimostrando il potenziale del Deep Learning nell'elaborazione delle immagini.
• AlexNet (2012): AlexNet ha superato nettamente i modelli esistenti nella competizione ImageNet, dimostrando la potenza del Deep Learning. Il modello utilizzava attivazioni ReLU, dropout e aumento dei dati, stabilendo nuovi record nella classificazione delle immagini e suscitando un ampio interesse per le CNN.
• VGGNet (2014): utilizzando filtri convoluzionali più piccoli (3x3), VGGNet ha ottenuto risultati notevoli nei compiti di classificazione delle immagini, confermando l'importanza della profondità della rete per raggiungere una maggiore precisione.
• ResNet (2015): ResNet ha affrontato il problema del degrado nelle reti profonde introducendo l'apprendimento residuo. Questa innovazione ha reso possibile addestrare reti molto più profonde, raggiungendo prestazioni all'avanguardia in diversi compiti di visione artificiale.
• YOLO (guarda una sola volta): YOLO ha trasformato il rilevamento di oggetti formulandolo come un unico problema di regressione, con la previsione diretta di bounding box e probabilità di classe a partire dalle immagini complete in una sola valutazione. Questo approccio ha consentito il rilevamento di oggetti in tempo reale con velocità e precisione elevate, rendendolo adatto ad applicazioni che richiedono elaborazione immediata, come la guida autonoma e la sorveglianza.

Applicazioni della visione artificiale#

Sanità#

Le applicazioni della visione artificiale sono numerose. Per esempio, modelli di visione come Ultralytics YOLOv8 vengono utilizzati nell'imaging medico per rilevare malattie come il cancro e la retinopatia diabetica. Analizzano radiografie, risonanze magnetiche e scansioni TC con grande precisione, identificando precocemente le anomalie. Questa capacità di rilevamento precoce consente interventi tempestivi e migliora gli esiti per i pazienti.

Fig 5. Rilevamento di tumori al cervello con Ultralytics YOLOv8.

Tutela dell'ambiente#

I modelli di visione artificiale contribuiscono a monitorare e proteggere le specie a rischio analizzando immagini e video provenienti dagli habitat della fauna selvatica. Identificano gli animali e ne tracciano il comportamento, fornendo dati sulle popolazioni e sui loro spostamenti. Questa tecnologia orienta le strategie di conservazione e le decisioni politiche volte a proteggere specie come tigri ed elefanti.

Con l'aiuto della Vision AI è possibile monitorare anche altre minacce ambientali, come gli incendi boschivi e la deforestazione, garantendo tempi di risposta rapidi da parte delle autorità locali.

Fig 6. Immagine satellitare di un incendio boschivo.

Sfide e prospettive future#

Nonostante i risultati significativi, i modelli di visione devono ancora affrontare numerose sfide dovute alla loro complessità e alle difficoltà legate al loro sviluppo; queste sfide richiedono una ricerca costante.

Interpretabilità e spiegabilità#

I modelli di visione, soprattutto quelli basati sul deep learning, sono spesso considerati "scatole nere" poco trasparenti a causa della loro elevata complessità. Questa mancanza di interpretabilità compromette la fiducia e la responsabilità, in particolare in applicazioni critiche come la sanità.

Requisiti computazionali#

Addestrare e distribuire modelli di AI all'avanguardia richiede notevoli risorse computazionali. Questo vale in particolare per i modelli di visione, che spesso devono elaborare grandi quantità di dati immagine e video. Le immagini e i video ad alta definizione, tra gli input di addestramento che richiedono più dati, aumentano il carico computazionale. Per esempio, una singola immagine HD può occupare diversi megabyte di spazio di archiviazione, rendendo l'addestramento dispendioso in termini di risorse e tempo.

Per gestire l'enorme quantità di dati e i calcoli complessi necessari allo sviluppo di modelli di visione efficaci, servono hardware potente e algoritmi di visione artificiale ottimizzati. La ricerca su architetture più efficienti, compressione dei modelli e acceleratori hardware come GPU e TPU è fondamentale per far progredire i modelli di visione.

Questi miglioramenti mirano a ridurre i requisiti computazionali e ad aumentare l'efficienza di elaborazione. Inoltre, l'utilizzo di modelli preaddestrati avanzati come Ultralytics YOLOv8 e dei suoi successori, tra cui Ultralytics YOLO26, può ridurre notevolmente la necessità di un addestramento esteso, semplificando il processo di sviluppo e migliorandone l'efficienza.

Un panorama in continua evoluzione#

Oggi i modelli di visione trovano ampia applicazione, dalla sanità, per esempio nel rilevamento dei tumori, agli usi quotidiani come il monitoraggio del traffico. Questi modelli avanzati hanno portato innovazione in innumerevoli settori, offrendo maggiore precisione, efficienza e capacità che prima erano irraggiungibili.

Con il continuo progresso della tecnologia, cresce anche il potenziale dei modelli di visione di migliorare diversi aspetti della vita e dell'industria. Questa evoluzione costante sottolinea l'importanza di proseguire la ricerca e lo sviluppo nel campo della visione artificiale.

Ti incuriosisce il futuro della Vision AI? Per saperne di più sugli ultimi progressi, esplora la documentazione Ultralytics e dai un'occhiata ai nostri progetti su Ultralytics GitHub e YOLOv8 GitHub. Inoltre, le pagine delle soluzioni dedicate alle auto a guida autonoma e alla produzione offrono informazioni particolarmente utili sulle applicazioni dell'IA nei diversi settori.