Addestramento personalizzato di Ultralytics YOLO11 con dataset di computer vision

L'addestramento di un modello di computer vision come Ultralytics YOLO11 prevede in genere la raccolta di immagini per il tuo dataset, la loro annotazione, la preparazione dei dati e il fine-tuning del modello per soddisfare i tuoi requisiti specifici. Sebbene il pacchetto Python di Ultralytics renda questi passaggi semplici e intuitivi, lo sviluppo dell'AI per la visione può comunque richiedere molto tempo.

Questo è particolarmente vero quando lavori con scadenze ravvicinate o stai sviluppando un prototipo. In queste situazioni, avere strumenti o integrazioni che semplificano parti del processo, come ottimizzare la preparazione dei dataset o automatizzare le attività ripetitive, può 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 ciò che offre l'integrazione con Roboflow.

L'integrazione con Roboflow ti consente di accedere facilmente ai dataset di Roboflow Universe, un'ampia raccolta di dataset di computer vision open source. Invece di passare ore a raccogliere e organizzare i dati, puoi trovare e utilizzare rapidamente dataset esistenti per avviare il processo di addestramento di Ultralytics YOLO11. Questa integrazione rende molto più semplice e veloce sperimentare e iterare nello sviluppo del tuo modello di computer vision.

In questo articolo analizzeremo come sfruttare l'integrazione con Roboflow per sviluppare modelli più velocemente. Iniziamo!

Che cos'è Roboflow Universe?#

Roboflow Universe è una piattaforma gestita da Roboflow, un'azienda che si dedica a semplificare lo sviluppo della computer vision. Include oltre 350 milioni di immagini, 500.000 dataset e 100.000 modelli sottoposti a fine-tuning per attività come il rilevamento degli oggetti, la classificazione delle immagini e la segmentazione. Grazie ai contributi di sviluppatori e ricercatori di tutto il mondo, Roboflow Universe è un hub collaborativo per chiunque voglia avviare o potenziare i propri progetti di computer vision.

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

Roboflow Universe include le seguenti funzionalità principali:

• Strumenti per l'esplorazione dei dataset: esplora, filtra e visualizza i dataset per trovare rapidamente le risorse in linea con i 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 dettagliate su vari dataset grazie a strumenti di analisi che forniscono visualizzazioni della distribuzione delle etichette, degli squilibri tra classi e della qualità dei dataset.
• Tracciamento delle versioni: visualizza e accedi a diverse versioni dei dataset caricati dai collaboratori, così puoi monitorare gli aggiornamenti, confrontare le modifiche e scegliere la versione 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 parti più impegnative della creazione di un modello di computer vision. La creazione di un dataset comporta in genere la raccolta di grandi quantità di immagini, la verifica della loro pertinenza per l'attività e la loro corretta annotazione.

Questo processo può richiedere molto tempo e risorse, soprattutto se stai sperimentando approcci diversi in un periodo breve. Anche trovare dataset preesistenti può essere difficile, perché spesso sono distribuiti su più piattaforme, non sono documentati adeguatamente o non includono le 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 approcci diversi di AI per la visione, come il rilevamento degli oggetti rispetto alla segmentazione delle istanze. In questo modo puoi sperimentare e capire quale metodo funziona meglio prima di dedicare tempo e risorse alla raccolta e all'annotazione del tuo dataset.

Fig. 2. Rilevamento di parti di automobili con Ultralytics YOLO11.

Utilizzando l'integrazione con Roboflow, puoi esplorare una vasta gamma di dataset relativi all'agricoltura, compresi quelli incentrati sul rilevamento delle erbacce, sulla salute delle colture o sul monitoraggio dei campi. Questi dataset pronti all'uso ti consentono di provare tecniche diverse e perfezionare il modello senza dover prima creare i tuoi dati.

Come funziona l'integrazione con Roboflow#

Ora che abbiamo visto come utilizzare 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 nel formato YOLO11. Una volta esportato il dataset, puoi utilizzarlo per addestrare YOLO11 con un addestramento personalizzato usando il pacchetto Python di Ultralytics.

Durante il download del dataset, potresti notare che Roboflow Universe supporta anche altri formati per l'addestramento di modelli diversi. Quindi, perché scegliere l'addestramento personalizzato di Ultralytics YOLO11?

YOLO11 è la versione più recente dei modelli YOLO di Ultralytics ed è progettato per offrire un rilevamento degli oggetti più rapido e accurato. Utilizza il 22% di parametri in meno (i valori interni che un modello adatta durante l'addestramento per effettuare previsioni) rispetto a YOLOv8m, ottenendo tuttavia una precisione media media (mAP) più elevata sul dataset COCO. Questo equilibrio tra velocità e precisione rende YOLO11 una scelta versatile per un'ampia gamma di applicazioni di computer vision, soprattutto quando si addestrano modelli personalizzati per attività specifiche.

Ecco uno sguardo più approfondito a come funziona l'addestramento personalizzato di Ultralytics YOLO11:

• Alimentazione dei dati: il modello Ultralytics YOLO11 elabora il tuo dataset, imparando a rilevare e classificare gli oggetti nelle immagini e nelle relative annotazioni.
• Previsioni e feedback: il modello effettua previsioni sugli oggetti presenti nelle immagini e le confronta con le risposte corrette fornite nel dataset.
• Monitoraggio delle prestazioni: metriche come precisione (rilevamenti corretti), richiamo (rilevamenti mancati) e perdita (errori di previsione) vengono monitorate per valutare i progressi.
• Apprendimento iterativo: il modello adatta i propri parametri nel corso di più cicli (epoche) per migliorare la precisione del rilevamento e ridurre al minimo gli errori.
• Output finale del modello: al termine dell'addestramento, il modello ottimizzato viene salvato ed è pronto per la distribuzione.

Altre integrazioni dedicate allo sviluppo della computer vision#

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

Questo serve a offrire alla nostra community una vasta gamma di 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 si concentrano su diverse parti del processo di computer vision, come l'addestramento, la distribuzione e l'ottimizzazione. Ecco alcuni esempi di 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 in modo efficiente.
• 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 consentono una distribuzione ottimizzata su vari dispositivi e framework, 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 computer vision, insieme alle affidabili funzionalità di Ultralytics YOLO11, semplificano la risoluzione di problemi reali. Pensa a innovazioni come la computer vision nella produzione, dove l'AI per la visione viene utilizzata per rilevare difetti su una linea di produzione, come graffi su parti metalliche o componenti mancanti. La raccolta dei dati giusti per attività di questo tipo può essere spesso lenta e complessa e richiede l'accesso ad ambienti specializzati.

In genere è necessario installare telecamere o sensori lungo le linee di produzione per acquisire immagini dei prodotti. Queste immagini devono essere raccolte in grandi quantità, spesso con illuminazione e angolazioni uniformi, per garantire chiarezza e omogeneità.

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 è necessario tenere conto di fattori come le diverse dimensioni, forme e materiali dei difetti.

Le integrazioni che forniscono dataset pronti all'uso 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, rilevare immediatamente i difetti e migliorare l'efficienza.

Fig. 4. Esempio di utilizzo di Ultralytics YOLO11 per rilevare e contare le lattine prodotte.

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 adattate alle proprie esigenze specifiche. Prendiamo ad esempio il settore sanitario: le integrazioni per i 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 per migliorare la sicurezza.

Punti chiave#

Trovare il dataset giusto è spesso una delle parti che richiedono più tempo nella creazione di un modello di computer vision. Tuttavia, l'integrazione con Roboflow semplifica la ricerca del dataset migliore per l'addestramento personalizzato dei tuoi modelli Ultralytics YOLO, anche se sei alle prime armi con la computer vision.

Grazie all'accesso a una vasta raccolta di dataset per attività di computer vision come il rilevamento degli oggetti, la classificazione delle immagini o la segmentazione delle istanze, Roboflow Universe elimina le difficoltà del processo di ricerca dei dati. Ti aiuta a iniziare rapidamente e a concentrarti sulla creazione del modello invece di dedicare tempo alla raccolta e all'organizzazione dei dati. Questo approccio semplificato consente agli sviluppatori di creare prototipi, iterare e sviluppare soluzioni di computer vision in modo più efficiente.

Per saperne di più, visita il nostro repository GitHub e partecipa alla nostra community. Esplora innovazioni in aree come l'AI nelle auto a guida autonoma e la computer vision in agricoltura nelle nostre pagine dedicate alle soluzioni. 🚀