Addestramento personalizzato di Ultralytics YOLO11 con dataset di visione artificiale

L'addestramento di un modello di computer vision come Ultralytics YOLO11 prevede in genere la raccolta delle immagini per il dataset, la loro annotazione e preparazione, nonché la messa a punto del modello in base ai tuoi requisiti specifici. Anche se il pacchetto Python Ultralytics rende questi passaggi semplici e intuitivi, lo sviluppo di sistemi di IA visiva può comunque richiedere molto tempo.

Questo è particolarmente importante quando hai scadenze ravvicinate o stai sviluppando un prototipo. In queste situazioni, strumenti o integrazioni che semplificano alcune fasi del processo, come snellire la preparazione dei dataset o automatizzare attività ripetitive, possono fare una grande differenza. Riducendo il tempo e l'impegno necessari, queste soluzioni ti aiutano a concentrarti sulla creazione e sul perfezionamento del modello. È proprio questo che offre l'integrazione con Roboflow.

L'integrazione con Roboflow ti permette di accedere facilmente ai dataset di Roboflow Universe, una vasta raccolta di dataset di computer vision open source. Invece di passare ore a raccogliere e organizzare i dati, puoi trovare e usare rapidamente dataset esistenti per avviare l'addestramento di Ultralytics YOLO11. Questa integrazione rende molto più semplice e veloce sperimentare e iterare durante lo sviluppo del tuo modello di computer vision.

In questo articolo vedremo come sfruttare l'integrazione con Roboflow per accelerare lo sviluppo dei modelli.

Che cos'è Roboflow Universe?#

Roboflow Universe è una piattaforma gestita da Roboflow, un'azienda che si occupa di semplificare lo sviluppo della visione artificiale. Comprende oltre 350 milioni di immagini, 500.000 dataset e 100.000 modelli ottimizzati per attività come il rilevamento di oggetti, la segmentazione e la classificazione delle immagini. Grazie ai contributi di sviluppatori e ricercatori di tutto il mondo, Roboflow Universe è un punto di incontro collaborativo per chiunque voglia avviare o migliorare i propri progetti di visione artificiale.

Fig. 1. Esempi di dataset per il rilevamento degli oggetti su Roboflow Universe.

Roboflow Universe offre le seguenti funzionalità principali:

• Strumenti per esplorare i dataset: esplora, filtra e visualizza i dataset per trovare rapidamente le risorse adatte ai requisiti del tuo progetto.
• Opzioni di esportazione: esporta i dati in formati come COCO, YOLO, TFRecord, CSV e altri, in base al tuo flusso di lavoro.
• Analisi dei dataset: ottieni informazioni sui diversi dataset con strumenti di analisi che visualizzano la distribuzione delle etichette, gli squilibri tra le classi e la qualità dei dataset.
• Monitoraggio delle versioni: visualizza e accedi alle diverse versioni dei dataset caricati dai collaboratori, così puoi seguirne gli aggiornamenti, confrontare le modifiche e scegliere quella più adatta alle esigenze del tuo progetto.

L'integrazione con Roboflow ti aiuta a trovare i dati giusti#

Trovare il dataset giusto è spesso una delle fasi più difficili nella creazione di un modello di computer vision. In genere, creare un dataset significa raccogliere un gran numero di immagini, verificare che siano pertinenti all'attività e poi etichettarle accuratamente.

Questo processo può richiedere molto tempo e risorse, soprattutto se stai sperimentando approcci diversi in poco tempo. Anche trovare dataset già esistenti può essere complicato: spesso sono sparsi su varie piattaforme, documentati male o privi delle annotazioni specifiche di cui hai bisogno.

Ad esempio, se stai creando un'applicazione di computer vision per rilevare le erbacce nei campi agricoli, potresti voler testare diversi approcci di IA visiva, come il rilevamento degli oggetti e la segmentazione delle istanze. In questo modo puoi sperimentare e capire quale metodo funziona meglio prima di investire tempo e impegno nella raccolta e nell'etichettatura del tuo dataset.

Fig. 2. Rilevamento di componenti automobilistici con Ultralytics YOLO11.

Con l'integrazione di Roboflow puoi esplorare diversi dataset relativi all'agricoltura, tra cui quelli dedicati al rilevamento delle erbacce, alla salute delle colture o al monitoraggio dei campi. Questi dataset pronti all'uso ti permettono di provare tecniche diverse e perfezionare il modello senza dover prima creare i dati da zero.

Come funziona l'integrazione con Roboflow#

Ora che abbiamo visto come usare l'integrazione con Roboflow per trovare i dataset giusti, vediamo come inserirla nel tuo flusso di lavoro. Dopo aver scelto un dataset da Roboflow Universe, puoi esportarlo o scaricarlo in formato YOLO11. Una volta esportato, puoi usarlo per addestrare un modello YOLO11 personalizzato con il pacchetto Python Ultralytics.

Mentre scarichi il dataset, potresti notare che Roboflow Universe supporta anche altri formati per addestrare modelli diversi. Perché scegliere allora di addestrare un modello Ultralytics YOLO11 personalizzato?

Al momento della stesura, YOLO11 era la versione più recente dei modelli Ultralytics YOLO (da allora è stato superato da Ultralytics YOLO26) ed è progettato per offrire un rilevamento di oggetti più rapido e accurato. YOLO11m usa il 22% di parametri in meno (i valori interni che un modello regola durante l'addestramento per generare previsioni) rispetto a YOLOv8m, ottenendo però una precisione media (mAP) superiore sul dataset COCO. Questo equilibrio tra velocità e precisione rende YOLO11 una scelta versatile per un'ampia gamma di applicazioni di visione artificiale, soprattutto quando si addestrano modelli su misura per attività specifiche.

Ecco come funziona l'addestramento personalizzato di Ultralytics YOLO11:

• Inserimento dei dati: il modello Ultralytics YOLO11 elabora il dataset e impara a rilevare e classificare gli oggetti nelle immagini e nelle relative annotazioni.
• Previsioni e feedback: il modello formula previsioni sugli oggetti presenti nelle immagini e le confronta con le risposte corrette fornite nel dataset.
• Monitoraggio delle prestazioni: metriche come la precisione (quante rilevazioni sono corrette), il richiamo (quanti oggetti effettivamente presenti vengono individuati) e la loss (gli errori di previsione) vengono monitorate per valutare i progressi.
• Apprendimento iterativo: il modello regola i propri parametri nel corso di più cicli (epoche) per migliorare la precisione del rilevamento e ridurre al minimo gli errori.
• Risultato del modello finale: al termine dell'addestramento, il modello ottimizzato viene salvato ed è pronto per la distribuzione.

Altre integrazioni per lo sviluppo della computer vision#

Esplorando l'integrazione con Roboflow, noterai che nella documentazione di Ultralytics sono menzionate anche altre integrazioni. Supportiamo diverse integrazioni relative alle varie fasi dello sviluppo della computer vision.

In questo modo offriamo alla nostra community diverse opzioni, così puoi scegliere quella più adatta al tuo flusso di lavoro specifico.

Fig. 3. Panoramica delle integrazioni supportate da Ultralytics.

Oltre ai dataset, altre integrazioni supportate da Ultralytics riguardano vari aspetti del processo di visione artificiale, come l'addestramento, la distribuzione e l'ottimizzazione. Ecco alcuni esempi delle altre integrazioni che supportiamo:

• Integrazioni per l'addestramento: integrazioni come Amazon SageMaker e Paperspace Gradient semplificano i flussi di lavoro di addestramento offrendo piattaforme basate sul cloud per sviluppare e testare i modelli con efficienza.
• Integrazioni per la gestione dei flussi di lavoro e il monitoraggio degli esperimenti: ClearML, MLflow e Weights & Biases (W&B) aiutano ad automatizzare i flussi di lavoro, monitorare gli esperimenti e migliorare la collaborazione, semplificando la gestione dei progetti di machine learning.
• Integrazioni per l'ottimizzazione e la distribuzione: CoreML, ONNX e OpenVINO permettono di ottimizzare la distribuzione su dispositivi e framework diversi, garantendo prestazioni efficienti su piattaforme come l'hardware Apple e le CPU Intel.
• Integrazioni per il monitoraggio e la visualizzazione: TensorBoard e Weights & Biases offrono strumenti per visualizzare i progressi dell'addestramento e monitorare le prestazioni, fornendo informazioni dettagliate per perfezionare i modelli.

Applicazioni di Ultralytics YOLO11 e ruolo delle integrazioni#

Le integrazioni che supportano lo sviluppo della visione artificiale, unite alle affidabili capacità di Ultralytics YOLO11, semplificano la risoluzione delle sfide del mondo reale. Pensa a innovazioni come la visione artificiale nella produzione, dove l'IA visiva viene usata per rilevare difetti su una linea di produzione, come graffi sui componenti metallici o componenti mancanti. Raccogliere i dati giusti per queste attività può spesso essere lento e difficile e richiede l'accesso ad ambienti specializzati.

In genere, il processo prevede l'installazione di telecamere o sensori lungo le linee di produzione per acquisire immagini dei prodotti. È necessario acquisire queste immagini in grandi quantità, spesso con illuminazione e angolazioni costanti, per garantire nitidezza e uniformità.

Una volta acquisite, le immagini devono essere annotate meticolosamente con etichette precise per ogni tipo di difetto, come graffi, ammaccature o componenti mancanti. Questo processo richiede molto tempo e risorse, oltre a competenze specifiche, per assicurarsi che il dataset rappresenti accuratamente la variabilità del mondo reale. Per creare un dataset solido e affidabile, occorre tenere conto di fattori come le diverse dimensioni, forme e materiali dei difetti.

Le integrazioni che forniscono dataset già pronti facilitano attività come il controllo qualità industriale e, grazie alle capacità di rilevamento in tempo reale di Ultralytics YOLO11, i produttori possono monitorare le linee di produzione, individuare subito i difetti e migliorare l'efficienza.

Fig. 4. Un esempio di utilizzo di Ultralytics YOLO11 per rilevare e contare le lattine in produzione.

Oltre che nella produzione, le integrazioni relative ai dataset possono essere utilizzate in molti altri settori. Combinando la velocità e la precisione di Ultralytics YOLO11 con dataset facilmente accessibili, le aziende possono sviluppare e distribuire rapidamente soluzioni adatte alle proprie esigenze specifiche. Pensa, per esempio, al settore sanitario: le integrazioni di dataset possono aiutare a sviluppare soluzioni per analizzare immagini mediche e rilevare anomalie come i tumori. Allo stesso modo, nella guida autonoma, queste integrazioni possono aiutare a identificare veicoli, pedoni e segnali stradali, migliorando la sicurezza.

Punti chiave#

Trovare il dataset giusto è spesso una delle fasi più dispendiose in termini di tempo nella creazione di un modello di visione artificiale. L'integrazione con Roboflow, però, semplifica la ricerca del dataset più adatto per addestrare i tuoi modelli Ultralytics YOLO personalizzati, anche se sei alle prime armi con la visione artificiale.

Grazie all'accesso a un'ampia raccolta di dataset per attività di visione artificiale come il rilevamento di oggetti, la classificazione delle immagini e la segmentazione di istanze, Roboflow Universe semplifica la ricerca dei dati. Ti aiuta a iniziare rapidamente e a concentrarti sulla creazione del modello invece di perdere tempo a raccogliere e organizzare i dati. Questo approccio ottimizzato aiuta gli sviluppatori a creare prototipi, iterare e sviluppare soluzioni di visione artificiale in modo più efficiente.

Per saperne di più, visita il nostro repository GitHub e partecipa alla community. Scopri le innovazioni in ambiti come l'IA nelle auto a guida autonoma e la visione artificiale in agricoltura nelle nostre pagine dedicate alle soluzioni.