Crea applicazioni per droni basate sull'AI con Ultralytics YOLO11

Fare acquisti in negozio e fare acquisti online può sembrare simile, ma le due modalità si basano su sistemi logistici diversi. I negozi devono rifornire gli scaffali, mentre gli ordini online dipendono dalle consegne a domicilio. Grazie ai progressi tecnologici, entrambe le esperienze di acquisto stanno cambiando parallelamente.

Ad esempio, è in corso un importante cambiamento nelle consegne. I droni basati sull’AI stanno trasformando il modo in cui i prodotti arrivano nelle nostre case. Si prevede che questi droni intelligenti gestiranno circa 808 milioni di consegne nel prossimo decennio, trasformando i cieli nella più recente via di consegna per il commercio quotidiano.

I droni per le consegne usano l’intelligenza artificiale (AI) e la visione artificiale, un sottocampo dell’AI utilizzato per analizzare dati visivi, per orientarsi e manovrare evitando gli ostacoli. I modelli di visione artificiale come Ultralytics YOLO11 possono aiutare i droni a rilevare e tracciare gli oggetti in tempo reale, permettendo loro di comprendere meglio l’ambiente circostante e interagire con esso.

Fig. 1. Un drone per le consegne porta un pacco a destinazione.

Aziende come Meituan e DJI stanno già integrando la visione artificiale nei loro droni. Infatti, la rapida adozione dei droni in diversi settori ha predisposto il mercato dei droni basati sull’AI a raggiungere i 206,9 miliardi di dollari entro il 2031.

In questo articolo analizzeremo più da vicino come i modelli di visione artificiale come Ultralytics YOLO11 possano essere utilizzati in applicazioni basate sui droni, come le consegne tramite drone. Vedremo un esempio che mostrerà come queste tecnologie possano essere sviluppate e testate prima di essere utilizzate in scenari reali.

Utilizzare Ultralytics YOLO11 sui droni per rilevare le abitazioni#

Una parte fondamentale dei droni per le consegne è la loro capacità di rilevare le abitazioni mentre si spostano. Per ricreare questa capacità e comprenderne il funzionamento, addestreremo un modello di visione artificiale in grado di identificare le abitazioni nelle riprese effettuate da un drone aereo. Per farlo, eseguiremo il custom-training di Ultralytics YOLO11, ovvero il fine-tuning di un modello YOLO11 preaddestrato affinché riconosca e rilevi le abitazioni utilizzando esempi annotati.

Per farlo, avremo bisogno di dati video di alta qualità acquisiti da un drone. È interessante notare che, anche senza avere accesso a un drone reale, possiamo comunque generare riprese aeree realistiche. Vediamo come.

Creare una ripresa artificiale da drone utilizzando Google Earth Studio#

Google Earth Studio è uno strumento di animazione basato sul Web che gli utenti possono utilizzare per creare contenuti statici e animati usando le immagini satellitari e 3D di Google Earth. Possiamo usarlo per creare riprese aeree realistiche.

Il primo passaggio consiste nell’aprire Google Earth Studio e creare un progetto, come mostrato di seguito.

Ti servirà un account Google per accedere.

Fig. 2. Creazione di un progetto in Google Earth Studio.

Dopo aver effettuato l’accesso, puoi scegliere una posizione per il tuo video artificiale da drone. Utilizzando la barra di ricerca nell’angolo in alto a sinistra della pagina, puoi cercare le posizioni. Per questo tutorial sceglieremo il Canada. Inoltre, poiché addestreremo un modello per rilevare le abitazioni, il video del drone dovrebbe mostrare una vista aerea delle abitazioni.

Fig. 3. Scelta di una posizione con Google Earth Studio.

Successivamente, possiamo impostare il primo e l’ultimo fotogramma per acquisire il movimento della ripresa artificiale da drone. Dopo aver scelto la posizione iniziale della ripresa, imposta il primo fotogramma utilizzando i rombi blu, come mostrato di seguito.

Fig. 4. Impostazione del primo fotogramma mediante i rombi blu.

Successivamente, possiamo scegliere l’ultimo fotogramma per determinare la destinazione del drone. Questo ci aiuterà a creare un effetto di movimento per le riprese del drone. Per farlo, sposta la barra (evidenziata di seguito) verso destra fino a un momento specifico, così da creare l’effetto di movimento per la ripresa. Ancora una volta, usa i rombi blu per impostare il punto finale.

Fig. 5. Impostazione dell’ultimo fotogramma spostando la barra.

Infine, puoi salvare questo progetto ed eseguirne il rendering facendo clic sul pulsante rosso “Render” nell’angolo in alto a destra della pagina. Otterrai così il video finale della ripresa da drone, creando con successo un filmato artificiale ripreso da un drone.

Fig. 6. Rendering del video di output finale.

Come etichettare i dati del drone?#

Ora che abbiamo creato il filmato artificiale ripreso da un drone, il passaggio successivo consiste nell’etichettare o annotare le abitazioni al suo interno. Dovremo anche separare i singoli fotogrammi del video.

Per iniziare, installeremo LabelImg. LabelImg è uno strumento open source per l’etichettatura delle immagini. Puoi installarlo direttamente dal terminale usando il programma di installazione dei pacchetti pip ed eseguendo il seguente comando: “pip install labelImg”.

Dopo l’installazione, puoi eseguire lo strumento usando il comando ‘labelImg’ nel terminale o nel prompt dei comandi. Verrà visualizzata la pagina mostrata di seguito.

Fig. 7. L’interfaccia dello strumento LabelImg.

Nel frattempo, possiamo usare un convertitore online da video a immagini oppure uno strumento chiamato FFmpeg per suddividere il video in fotogrammi. FFmpeg è una raccolta di librerie e strumenti per elaborare contenuti multimediali come audio, video, sottotitoli e metadati correlati.

Puoi usare il seguente comando del terminale per separare ogni fotogramma del video delle riprese del drone:

ffmpeg -i input_video.mp4 frame_%04d.png

Dopo aver separato i fotogrammi delle riprese del drone, possiamo iniziare a etichettare gli oggetti (le abitazioni) al loro interno. Accedendo alla cartella delle immagini tramite lo strumento LabelImg, possiamo etichettare gli oggetti in ogni immagine. Assicurati di salvare e verificare ogni immagine etichettata. Dopo aver annotato le immagini, possiamo passare all’addestramento di Ultralytics YOLO11 usando questi dati.

Fig. 8. Esempio di salvataggio di immagini annotate.

Workflow di addestramento del modello Ultralytics YOLO11#

Prima di iniziare ad addestrare Ultralytics YOLO11, organizzeremo le immagini e le etichette. Inizia creando due cartelle: una denominata "train" e l’altra "valid". Dividi le immagini tra queste cartelle. All’interno di ciascuna, crea sottocartelle separate per le immagini e i relativi file di etichetta (in formato testo), come mostrato di seguito.

Fig. 9. Esempio di creazione delle cartelle per immagini ed etichette.

Quindi, possiamo iniziare ad addestrare il modello Ultralytics YOLO11 come segue:

• Passaggio 1: Installa il pacchetto Python di Ultralytics. Puoi farlo eseguendo il comando “pip install ultralytics” nel terminale. Se riscontri problemi durante l’installazione, consulta la nostra guida alla risoluzione dei problemi per suggerimenti e consigli utili a risolverli.
• Passaggio 2: Dopo aver installato correttamente il pacchetto, crea un file denominato ‘data.yaml’. Si tratta di un file di configurazione fondamentale per l’addestramento del modello. Nel file data.yaml, includi le seguenti informazioni: il percorso del dataset di addestramento, il percorso del dataset di validazione, il numero di classi (nc) e un elenco dei nomi delle classi (names), come mostrato di seguito.

Fig. 10. Esempio di un file data.yaml.

• Passaggio 3: Dopo aver configurato il file ‘data.yaml’, puoi iniziare ad addestrare il modello usando il seguente codice Python. Questo codice carica il modello Ultralytics YOLO11 preaddestrato e lo addestra in base alle tue configurazioni.

from ultralytics import YOLO

# Load a YOLO11 model
model = YOLO("yolo11n.pt")  # choose your model, e.g., YOLO11 nano

# Train the model with your data and settings
model.train(data="data.yaml", epochs=100, imgsz=640)

• Passaggio 4: Al termine dell’addestramento, dovresti visualizzare un output simile a quello mostrato di seguito. Ciò significa che hai addestrato correttamente il modello Ultralytics YOLO11 per applicazioni basate sui droni.

Fig. 11. Output mostrato dopo l’addestramento del modello.

Eseguire predizioni con Ultralytics YOLO11 sui droni#

Il modello Ultralytics YOLO11 addestrato può ora essere utilizzato per effettuare predizioni attraverso un processo chiamato inferenza. L’inferenza consiste nell’utilizzare un modello per analizzare dati nuovi e non osservati in precedenza sulla base di ciò che ha appreso durante l’addestramento. In questo caso, il modello può essere usato per trovare ed etichettare oggetti specifici, come le abitazioni, in immagini o video, disegnandovi intorno riquadri di delimitazione.

Per eseguire una predizione, puoi usare il modello Ultralytics YOLO11 addestrato su un video di input tramite il seguente codice Python. In questo esempio useremo lo stesso video artificiale da drone utilizzato per l’addestramento, ma se preferisci puoi usare qualsiasi altro file video.

# Import library
from ultralytics import YOLO

# Load the YOLO model
model = YOLO("best.pt")  # Choose your custom-trained model

# Predict the results from the model
results = model.predict(source="path/to/original/video.mp4", show=True, save=True)

Dopo aver eseguito questo codice, il file video di output con le predizioni e i riquadri di delimitazione verrà salvato.

Fig. 12. Un fotogramma del file video di output.

Integrare Ultralytics YOLO11 sui droni per diverse applicazioni#

Rilevare le abitazioni per le consegne di pacchi tramite drone è solo un esempio di come la visione artificiale e Ultralytics YOLO11 possano essere applicati. Ecco altri utilizzi della visione artificiale, di YOLO11 e dei droni aerei nel mondo reale:

• Sorveglianza e sicurezza: gli droni basati sull’AI possono essere usati per monitorare vaste aree in tempo reale. Possono rilevare intrusioni, tracciare attività sospette e migliorare la sicurezza ai confini nazionali e durante grandi eventi pubblici.

• Risposta alle catastrofi e ricerca e soccorso: dotati di telecamere termiche e funzionalità di rilevamento degli oggetti, i droni possono aiutare a localizzare i sopravvissuti nelle zone colpite da catastrofi. Possono inoltre valutare i danni e consegnare rifornimenti di emergenza.

• Agricoltura e agricoltura di precisione: i droni integrati con la visione artificiale possono essere utilizzati per analizzare lo stato di salute delle colture e rilevare le malattie, aiutando gli agricoltori ad aumentare la resa riducendo al contempo i costi.

• Mappatura e analisi geospaziale: raccogliendo mappe 3D ad alta risoluzione, i droni basati sull’AI possono contribuire alla pianificazione urbana e ai rilievi del territorio. Forniscono valutazioni del terreno più rapide e accurate rispetto ai metodi tradizionali.

Punti chiave#

I droni basati sull’AI e alimentati dalla visione artificiale stanno trasformando molti settori, dalla consegna dei pacchi all’assistenza durante le emergenze e all’agricoltura. In questa guida abbiamo visto come creare un video artificiale da drone, etichettarvi gli oggetti, addestrare Ultralytics YOLO11 e usarlo per rilevare le abitazioni.

Applicare il rilevamento degli oggetti alle riprese dei droni rende questi droni più intelligenti, consentendo loro di riconoscere e tracciare automaticamente gli oggetti in tempo reale. Con il miglioramento della tecnologia, è probabile che i droni basati sull’AI svolgano un ruolo ancora più importante nel rendere le consegne più rapide, migliorare la sicurezza e contribuire alla risposta alle catastrofi.

Unisciti alla nostra community ed esplora il nostro repository GitHub per saperne di più sull’AI per la visione, e consulta le nostre opzioni di licenza per dare il via ai tuoi progetti di visione artificiale. Ti interessano innovazioni come l’AI nella produzione o la visione artificiale nel settore automobilistico? Visita le nostre pagine dedicate alle soluzioni per saperne di più.