Crea applicazioni per droni basate sull'IA con Ultralytics YOLO11

Fare acquisti in negozio e online può sembrare simile, ma i due canali si basano su logistiche diverse. I negozi devono rifornire gli scaffali, mentre gli ordini online dipendono dalle consegne a domicilio. Grazie ai progressi tecnologici, entrambe le esperienze di acquisto si stanno trasformando in parallelo.

Per esempio, è in atto un cambiamento importante nelle consegne. I droni basati sull’IA stanno modificando il modo in cui i prodotti arrivano a casa nostra. Si prevede che questi droni intelligenti gestiranno circa 808 milioni di consegne nel prossimo decennio, trasformando il cielo nella nuova rotta di consegna per il commercio quotidiano.

I droni per le consegne usano l’intelligenza artificiale (AI) e la visione artificiale, un sottocampo dell’IA usato per analizzare dati visivi, per navigare e aggirare gli ostacoli. I modelli di visione artificiale come Ultralytics YOLO11 possono aiutare i droni a rilevare e tracciare 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 propri droni. La rapida diffusione dei droni in diversi settori ha contribuito a portare il mercato dei droni basati sull’IA verso i 206,9 miliardi di dollari entro il 2031.

In questo articolo vedremo più da vicino come i modelli di visione artificiale come Ultralytics YOLO11 possono essere usati in applicazioni basate sui droni, come le consegne. Vedremo un esempio che mostrerà come sviluppare e testare queste tecnologie prima di utilizzarle in scenari reali.

Usare Ultralytics YOLO11 sui droni per rilevare le abitazioni#

Una funzionalità fondamentale dei droni per le consegne è la capacità di rilevare le abitazioni durante la navigazione. Per ricreare questa funzionalità e capire come funziona, addestreremo un modello di visione artificiale in grado di identificare le abitazioni nelle riprese effettuate da un drone aereo. A questo scopo, eseguiremo il fine-tuning personalizzato di Ultralytics YOLO11, partendo da un modello YOLO11 preaddestrato e perfezionandolo per riconoscere e rilevare le abitazioni usando esempi etichettati.

Per farlo, ci serviranno video di alta qualità ripresi da un drone. È interessante notare che possiamo comunque generare riprese aeree realistiche anche senza avere accesso a un drone vero. Vediamo come.

Creare una ripresa artificiale da drone con Google Earth Studio#

Google Earth Studio è uno strumento di animazione basato sul Web che consente di 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.

Per accedere ti servirà un account Google.

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

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

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

Poi possiamo impostare i fotogrammi iniziale e finale per acquisire il movimento della ripresa artificiale da drone. Dopo aver scelto la posizione iniziale della ripresa, imposta il primo fotogramma usando i rombi blu, come mostrato di seguito.

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

Poi possiamo scegliere il fotogramma finale per definire la destinazione del drone. Questo ci aiuterà a creare un effetto di movimento per le riprese del drone. Per farlo, sposta verso destra la barra evidenziata di seguito, fino a un momento specifico, così da creare l’effetto di movimento nella ripresa. Anche in questo caso, usa i rombi blu per impostare il punto finale.

Fig. 5. Impostazione del fotogramma finale spostando la barra.

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

Fig. 6. Rendering del video 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 con il programma di installazione dei pacchetti pip, eseguendo il seguente comando: “pip install labelImg”.

Dopo l’installazione, puoi avviare lo strumento dal terminale o dal prompt dei comandi con il comando ‘labelImg’. Si aprirà la pagina mostrata di seguito.

Fig. 7. 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 da terminale per separare ogni fotogramma del video ripreso dal drone:

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

Dopo aver separato i fotogrammi del filmato del drone, possiamo iniziare a etichettare gli oggetti (le case) presenti al loro interno. Usando LabelImg, apri la cartella delle immagini e poi etichetta gli oggetti in ogni immagine. Assicurati che LabelImg sia impostato per salvare le etichette nel formato YOLO e salva e verifica ogni immagine etichettata. Dopo aver annotato le immagini, possiamo passare all’addestramento di Ultralytics YOLO11 con questi dati.

Fig. 8. Esempio di salvataggio di immagini annotate.

Flusso di lavoro per l’addestramento del modello Ultralytics YOLO11#

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

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

A questo punto, possiamo iniziare ad addestrare il modello Ultralytics YOLO11 nel modo seguente:

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

Fig. 10. Esempio di file data.yaml.

• Passaggio 3: Dopo aver configurato il file ‘data.yaml’, puoi iniziare ad addestrare il modello con il seguente codice Python. Questo codice carica il modello Ultralytics YOLO11n preaddestrato e lo addestra secondo la tua configurazione.

from ultralytics import YOLO

# Carica un modello YOLO11
model = YOLO("yolo11n.pt")  # scegli il tuo modello, ad es., YOLO11 nano

# Addestra il modello con i tuoi dati e le tue impostazioni
model.train(data="data.yaml", epochs=100, imgsz=640)

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

Fig. 11. Risultato visualizzato dopo l’addestramento del modello.

Esecuzione di predizioni con Ultralytics YOLO11 sui droni#

Ora puoi usare il modello Ultralytics YOLO11 addestrato per fare previsioni tramite un processo chiamato inferenza. L’inferenza consiste nell’usare un modello per analizzare dati nuovi e mai visti, sulla base di ciò che ha appreso durante l’addestramento. In questo caso, puoi usare il modello per individuare ed etichettare oggetti specifici, come le case, nelle immagini o nei video, tracciando attorno a essi dei riquadri delimitatori.

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

# Importa la libreria
from ultralytics import YOLO

# Carica il modello YOLO
model = YOLO("best.pt")  # Scegli il tuo modello addestrato personalizzato

# Predici i risultati del modello
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.

Integrazione di Ultralytics YOLO11 nei droni per diverse applicazioni#

Rilevare le abitazioni per consegnare pacchi con i droni è solo un esempio di come applicare la visione artificiale e Ultralytics YOLO11. Ecco altri impieghi reali della visione artificiale, di YOLO11 e dei droni aerei:

• Sorveglianza e sicurezza: gli droni basati sull’IA possono essere usati per monitorare vaste aree in tempo reale. Possono rilevare intrusioni, tracciare attività sospette e rafforzare la sicurezza ai confini nazionali e durante i grandi eventi pubblici.
• Risposta ai disastri e ricerca e soccorso: dotati di telecamere termiche e sistemi di rilevamento degli oggetti, i droni possono aiutare a localizzare i sopravvissuti nelle zone colpite da disastri. Possono anche valutare i danni e consegnare rifornimenti di emergenza.
• Agricoltura e agricoltura di precisione: i droni integrati con la visione artificiale possono essere usati per analizzare lo stato di salute delle colture e rilevare le malattie, aiutando gli agricoltori ad aumentare i raccolti e ridurre i costi.
• Mappatura e analisi geospaziale: raccogliendo mappe 3D ad alta risoluzione, i droni dotati di AI possono contribuire alla pianificazione urbana e ai rilievi del territorio. Consentono di valutare il terreno più rapidamente e con maggiore precisione rispetto ai metodi tradizionali.

Punti chiave#

I droni dotati di AI e basati sulla visione artificiale stanno cambiando molti settori, dalla consegna di pacchi all'assistenza nelle emergenze e in agricoltura. In questa guida abbiamo illustrato come creare un video artificiale di un drone, etichettarvi gli oggetti, addestrare Ultralytics YOLO11 e usarlo per rilevare le case.

Applicare il rilevamento degli oggetti ai filmati dei droni li rende più intelligenti e consente loro di riconoscere e tracciare automaticamente gli oggetti in tempo reale. Con il progresso della tecnologia, è probabile che i droni basati sull'AI svolgano un ruolo ancora più importante nel velocizzare le consegne, 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 dai un'occhiata alle 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.