Addestramento personalizzato di Ultralytics YOLO11 con dataset di computer vision

L'addestramento di un modello di computer vision come Ultralytics YOLO11 comporta solitamente la raccolta di immagini per il tuo dataset, la loro annotazione, la preparazione dei dati e il fine-tuning del modello per soddisfare le tue esigenze specifiche. Sebbene il pacchetto Python di Ultralytics renda questi passaggi semplici e intuitivi, lo sviluppo di soluzioni di vision AI può comunque richiedere molto tempo.

Ciò diventa particolarmente vero quando lavori con una scadenza ravvicinata o stai sviluppando un prototipo. In queste situazioni, disporre di strumenti o integrazioni che semplificano alcune parti del processo - come snellire la preparazione del dataset o automatizzare le attività ripetitive - può fare una grande differenza. Riducendo il tempo e l'impegno richiesti, queste soluzioni ti aiutano a concentrarti sulla costruzione e sul perfezionamento del tuo modello. È esattamente ciò che offre l'integrazione di Roboflow.

L'integrazione di Roboflow ti consente di accedere facilmente ai dataset di Roboflow Universe, una vasta libreria di dataset di computer vision open-source. Invece di passare ore a raccogliere e organizzare i dati, puoi trovare e utilizzare rapidamente i dataset esistenti per avviare il tuo processo di addestramento di YOLO11. Questa integrazione rende molto più rapido e semplice sperimentare e iterare lo sviluppo del tuo modello di computer vision.

In questo articolo, vedremo come sfruttare l'integrazione di Roboflow per uno sviluppo più rapido del modello. Cominciamo!

Link to this sectionCos'è Roboflow Universe?#

Roboflow Universe è una piattaforma gestita da Roboflow, un'azienda focalizzata sulla semplificazione dello sviluppo di sistemi di computer vision. Consiste in oltre 350 milioni di immagini, 500.000 dataset e 100.000 modelli sottoposti a fine-tuning per attività come object detection, classificazione delle immagini e segmentazione. Grazie ai contributi di sviluppatori e ricercatori di tutto il mondo, Roboflow Universe è un hub collaborativo per chiunque voglia avviare o migliorare i propri progetti di computer vision.

Fig 1. Esempi di dataset di object detection su Roboflow Universe.

Roboflow Universe include le seguenti funzionalità chiave:

• Strumenti di esplorazione del 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 per adattarli al tuo workflow.
• Analisi del dataset: Ottieni informazioni su vari dataset con strumenti di analisi che forniscono visualizzazioni delle distribuzioni delle etichette, degli squilibri tra le classi e della qualità del dataset.
• Tracciamento delle versioni: Visualizza e accedi a diverse versioni dei dataset caricati dai collaboratori, permettendoti di monitorare gli aggiornamenti, confrontare le modifiche e scegliere la versione più adatta alle esigenze del tuo progetto.

Link to this sectionL'integrazione di 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. Creare un dataset di solito comporta la raccolta di grandi quantità di immagini, assicurandosi che siano pertinenti al tuo compito, e poi etichettarle accuratamente.

Questo processo può richiedere molto tempo e risorse, specialmente se stai sperimentando diversi approcci in un breve periodo. Anche trovare dataset preesistenti può essere complicato, poiché spesso sono sparsi su diverse piattaforme, non sono documentati correttamente o mancano delle annotazioni specifiche di cui hai bisogno.

Ad esempio, se stai costruendo un'applicazione di computer vision per rilevare le erbe infestanti nei campi agricoli, potresti voler testare diversi approcci di vision AI, come l'object detection rispetto alla segmentazione di istanze. Questo ti consente di sperimentare e capire quale metodo funzioni meglio prima di dedicare tempo e fatica a raccogliere ed etichettare il tuo dataset.

Fig 2. Rilevamento di parti di auto utilizzando YOLO11.

Utilizzando l'integrazione di Roboflow, puoi navigare tra una varietà di dataset legati all'agricoltura, inclusi quelli focalizzati sul rilevamento delle erbe infestanti, sulla salute delle colture o sul monitoraggio dei campi. Questi dataset pronti all'uso ti permettono di provare diverse tecniche e affinare il tuo modello senza lo sforzo iniziale di creare i tuoi dati.

Link to this sectionCome funziona l'integrazione di Roboflow#

Ora che abbiamo discusso di come puoi utilizzare l'integrazione di Roboflow per trovare i dataset giusti, vediamo come si inserisce nel tuo workflow. Una volta scelto un dataset da Roboflow Universe, puoi esportarlo o scaricarlo nel formato YOLO11. Dopo che il tuo dataset è stato esportato, puoi usarlo per addestrare in modo personalizzato YOLO11 utilizzando il pacchetto Python di Ultralytics.

Mentre scarichi il tuo dataset, potresti notare che Roboflow Universe supporta anche altri formati per l'addestramento di diversi modelli. Quindi, perché dovresti scegliere di addestrare in modo personalizzato Ultralytics YOLO11?

YOLO11 è l'ultima versione dei modelli Ultralytics YOLO ed è progettata per offrire un'object detection più rapida e precisa. Utilizza il 22% di parametri in meno (i valori interni che un modello regola durante l'addestramento per fare previsioni) rispetto a YOLOv8m, ottenendo comunque una precisione media (mAP) superiore sul dataset COCO. Questo equilibrio tra velocità e precisione rende YOLO11 una scelta versatile per una vasta gamma di applicazioni di computer vision, specialmente quando si addestrano modelli personalizzati per attività specifiche.

Ecco un approfondimento su come funziona l'addestramento personalizzato di YOLO11:

• Alimentazione dei dati: Il modello YOLO11 elabora il tuo dataset, imparando a rilevare e classificare gli oggetti dalle immagini e dalle loro annotazioni.
• Previsione e feedback: Il modello effettua previsioni sugli oggetti nelle immagini e le confronta con le risposte corrette fornite nel dataset.
• Monitoraggio delle prestazioni: Metriche come precision (rilevamenti corretti), recall (rilevamenti mancati) e loss (errori di previsione) vengono monitorate per valutare i progressi.
• Apprendimento iterativo: Il modello regola i suoi parametri su più cicli (epoche) per migliorare l'accuratezza del rilevamento e minimizzare gli errori.
• Output finale del modello: Dopo l'addestramento, il modello ottimizzato viene salvato e pronto per il deployment.

Link to this sectionAltre integrazioni focalizzate sullo sviluppo della computer vision#

Mentre esplori l'integrazione di Roboflow, noterai altre integrazioni menzionate nella documentazione di Ultralytics. Supportiamo una varietà di integrazioni relative a diverse fasi dello sviluppo della computer vision.

Questo per fornire alla nostra community una gamma di opzioni, in modo che tu possa scegliere ciò che funziona meglio per il tuo specifico workflow.

Fig 3. Una panoramica delle integrazioni supportate da Ultralytics.

Oltre ai dataset, altre integrazioni supportate da Ultralytics si concentrano su varie parti del processo di computer vision, come l'addestramento, il deployment e l'ottimizzazione. Ecco alcuni esempi di altre integrazioni che supportiamo:

• Integrazioni per l'addestramento: Integrazioni come Amazon SageMaker e Paperspace Gradient semplificano i workflow di addestramento offrendo piattaforme cloud per uno sviluppo e un test efficienti del modello.
• Integrazioni per il workflow e il tracciamento degli esperimenti: ClearML, MLflow e Weights & Biases (W&B) aiutano ad automatizzare i workflow, tracciare gli esperimenti e migliorare la collaborazione, rendendo più facile gestire i progetti di machine learning.
• Integrazioni per l'ottimizzazione e il deployment: CoreML, ONNX e OpenVINO consentono un deployment ottimizzato 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 forniscono strumenti per visualizzare l'avanzamento dell'addestramento e monitorare le prestazioni, offrendo approfondimenti dettagliati per perfezionare i modelli.

Link to this sectionApplicazioni di YOLO11 e il ruolo delle integrazioni#

Le integrazioni che supportano lo sviluppo della computer vision, combinate con le affidabili capacità di YOLO11, rendono più facile risolvere le sfide del mondo reale. Pensa a innovazioni come la computer vision nella produzione, dove la vision AI viene utilizzata per rilevare difetti su una linea di produzione, come graffi su parti metalliche o componenti mancanti. Raccogliere i dati giusti per tali attività può spesso essere lento e impegnativo, richiedendo l'accesso ad ambienti specializzati.

Di solito comporta l'installazione di telecamere o sensori lungo le linee di produzione per acquisire immagini dei prodotti. Queste immagini devono essere scattate in grandi volumi, spesso sotto luci e angolazioni coerenti, per garantire chiarezza e uniformità.

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

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

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

Oltre alla produzione, le integrazioni relative ai dataset possono essere utilizzate in molti altri settori. Mettendo insieme la velocità e l'accuratezza di YOLO11 con dataset facilmente accessibili, le aziende possono sviluppare e implementare rapidamente soluzioni su misura per le loro esigenze specifiche. Prendi, ad esempio, l'assistenza sanitaria: le integrazioni di dataset possono aiutare a sviluppare soluzioni per analizzare immagini mediche e rilevare anomalie come tumori. Allo stesso modo, nella guida autonoma, tali integrazioni possono aiutare nell'identificazione di veicoli, pedoni e segnali stradali per migliorare la sicurezza.

Link to this sectionPunti chiave#

Trovare il dataset giusto è spesso una delle parti che richiede più tempo nella costruzione di un modello di computer vision. Tuttavia, l'integrazione di Roboflow rende più facile trovare il miglior dataset per l'addestramento personalizzato dei tuoi modelli Ultralytics YOLO, anche se sei nuovo alla computer vision.

Con l'accesso a una vasta collezione di dataset per attività di computer vision come l'object detection, la classificazione delle immagini o la segmentazione di istanze, Roboflow Universe elimina le difficoltà del processo di ricerca dei dati. Ti aiuta a iniziare rapidamente e a concentrarti sulla costruzione del tuo modello invece di passare il tempo a raccogliere e organizzare i dati. Questo approccio snello consente agli sviluppatori di prototipare, iterare e sviluppare soluzioni di computer vision in modo più efficiente.

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