Addestramento personalizzato di Ultralytics YOLO11 con set di dati di computer vision

Addestramento di un modello di visione artificiale come Ultralytics YOLO11 comporta in genere la raccolta di immagini per il set di dati, la loro annotazione, la preparazione dei dati e la messa a punto del modello per soddisfare i requisiti specifici. Sebbene il pacchettoPython di Ultralytics renda questi passaggi semplici e intuitivi, lo sviluppo di Vision AI può comunque richiedere molto tempo.

Ciò è particolarmente vero quando si lavora in tempi stretti o si sviluppa un prototipo. In queste situazioni, disporre di strumenti o integrazioni che semplificano alcune parti del processo, come la preparazione dei set di dati o l'automazione di attività ripetitive, può fare una grande differenza. Riducendo il tempo e l'impegno necessari, queste soluzioni consentono di concentrarsi sulla costruzione e sul perfezionamento del modello. Questo è esattamente ciò che offre l'integrazione Roboflow .

L'integrazione con Roboflow consente di accedere facilmente ai set di dati di Roboflow Universe, un'ampia libreria di set di dati open-source per la computer vision. Invece di passare ore a raccogliere e organizzare i dati, è possibile trovare e utilizzare rapidamente i set di dati esistenti per avviare il processo di formazione di YOLO11 . Questa integrazione rende molto più veloce e semplice la sperimentazione e l'iterazione dello sviluppo del modello di computer vision.

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

Che cos'è l'Universo Roboflow ?

Roboflow Universe è una piattaforma gestita da Roboflow, un'azienda che si occupa di semplificare lo sviluppo della computer vision. Contiene oltre 350 milioni di immagini, 500.000 set di dati e 100.000 modelli ottimizzati per compiti come il rilevamento di oggetti, la classificazione di immagini e la segmentazione. Con i contributi di sviluppatori e ricercatori di tutto il mondo, Roboflow Universe è un centro di collaborazione per chiunque voglia avviare o migliorare i propri progetti di computer vision.

‍

Roboflow Universe include le seguenti caratteristiche chiave:

• Strumenti di esplorazione del dataset: Esplora, filtra e visualizza i dataset per trovare rapidamente le risorse che si allineano ai requisiti del tuo progetto.
  ‍
• Opzioni di esportazione: Esportazione dei dati in formati come COCO, YOLO, TFRecord, CSV e altri ancora per adattarsi al flusso di lavoro.
  ‍
• Analisi del dataset: Ottieni informazioni dettagliate su vari dataset con strumenti di analisi che forniscono visualizzazioni delle distribuzioni delle etichette, degli squilibri di classe e della qualità del dataset. 
  ‍
• Tracciamento delle versioni: Visualizzazione e accesso a diverse versioni dei set di dati caricati dai collaboratori, che consentono di track aggiornamenti, confrontare le modifiche e scegliere la versione più adatta alle esigenze del progetto. 

L'integrazione di Roboflow vi aiuta a trovare i dati giusti

Trovare il dataset giusto è spesso una delle parti più impegnative della creazione di un modello di visione artificiale. La creazione di un dataset di solito comporta la raccolta di grandi quantità di immagini, assicurandosi che siano pertinenti al tuo compito, e quindi etichettandole accuratamente. 

Questo processo può richiedere molto tempo e risorse, soprattutto se si sperimentano approcci diversi in un breve periodo. Anche trovare dataset preesistenti può essere complicato, poiché sono spesso sparsi su diverse piattaforme, non adeguatamente documentati o privi delle annotazioni specifiche necessarie.

Ad esempio, se state costruendo un'applicazione di visione artificiale per detect erbacce nei campi agricoli, potreste voler testare diversi approcci di Vision AI, come il rilevamento degli oggetti rispetto alla segmentazione delle istanze. In questo modo è possibile sperimentare e capire quale metodo funziona meglio prima di dedicare tempo e fatica alla raccolta e all'etichettatura del proprio set di dati.

‍

Grazie all'integrazione con Roboflow , è possibile sfogliare una serie di set di dati relativi all'agricoltura, tra cui quelli incentrati sul rilevamento delle erbe infestanti, sulla salute delle colture o sul monitoraggio dei campi. Questi set di dati pronti all'uso consentono di provare diverse tecniche e di perfezionare il modello senza dover creare i propri dati. 

Come funziona l'integrazione di Roboflow

Dopo aver discusso su come utilizzare l'integrazione Roboflow per trovare i set di dati giusti, vediamo come si inserisce nel flusso di lavoro. Una volta scelto un set di dati da Roboflow Universe, è possibile esportarlo o scaricarlo nel formato YOLO11 . Una volta esportato il set di dati, è possibile utilizzarlo per addestrare YOLO11 utilizzando il pacchetto Ultralytics Python . 

Durante il download del set di dati, si può notare che Roboflow Universe supporta anche altri formati per l'addestramento di modelli diversi. Quindi, perché scegliere di addestrare Ultralytics YOLO11? 

YOLO11 è l'ultima versione dei modelliYOLO Ultralytics ed è stata sviluppata per offrire un rilevamento degli oggetti più rapido e preciso. Utilizza il 22% in meno di parametri (i valori interni che un modello regola durante l'addestramento per fare previsioni) rispetto a YOLOv8m, ma raggiunge una precisione media superioremAP) sul set di dati COCO . Questo equilibrio tra velocità e precisione fa di YOLO11 una scelta versatile per un'ampia gamma di applicazioni di computer vision, soprattutto quando si tratta di addestrare modelli personalizzati per soddisfare compiti specifici.

Ecco un approfondimento su come funziona l 'allenamento personalizzato YOLO11:

• Alimentazione dei dati: Il modello YOLO11 elabora il set di dati, imparando a detect e classify gli oggetti dalle immagini e dalle loro annotazioni.
  ‍
• Previsione e feedback: Il modello fa previsioni sugli oggetti nelle immagini e le confronta con le risposte corrette fornite nel dataset.
  ‍
• Monitoraggio delle prestazioni: Vengono monitorate metriche come precisione (rilevamenti corretti), richiamo (rilevamenti mancati) e perdita (errori di previsione) per valutare i progressi.
  ‍
• Apprendimento iterativo: Il modello regola i suoi parametri su più round (epoche) per migliorare l'accuratezza del rilevamento e ridurre al minimo gli errori.
  ‍
• Output finale del modello: Dopo il training, il modello ottimizzato viene salvato e preparato per il deployment.

Altre integrazioni incentrate sullo sviluppo della computer vision

Esplorando l'integrazione Roboflow , noterete altre integrazioni menzionate nella documentazione di Ultralytics . Supportiamo una serie di integrazioni relative a varie fasi dello sviluppo della computer vision. 

Questo per fornire alla nostra comunità una gamma di opzioni, in modo che possiate scegliere ciò che funziona meglio per il vostro specifico flusso di lavoro.

‍

Oltre ai set di dati, altre integrazioniUltralytics si concentrano su varie parti del processo di computer vision, come l'addestramento, la distribuzione e l'ottimizzazione. Ecco alcuni esempi di altre integrazioni che supportiamo:

• Integrazioni per la formazione: Integrazioni come Amazon SageMaker e Paperspace Gradient semplificano i flussi di lavoro della formazione offrendo piattaforme basate sul cloud per lo sviluppo e il test efficiente dei modelli.
  ‍
• Integrazioni per il monitoraggio dei flussi di lavoro e degli esperimenti: ClearML, MLFlow e Weights & Biases (W&B) aiutano ad automatizzare i flussi di lavoro, a track esperimenti e a migliorare la collaborazione, rendendo più semplice la gestione dei progetti di apprendimento automatico.
  ‍
• Ottimizzazione e integrazioni di 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 forniscono strumenti per visualizzare i progressi dell'addestramento e monitorare le prestazioni, fornendo informazioni dettagliate per affinare i modelli.

Applicazioni YOLO11 e 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. Si pensi a innovazioni come la computer vision nel settore manifatturiero, dove l'intelligenza artificiale viene utilizzata per detect difetti su una linea di produzione, come graffi su parti metalliche o componenti mancanti. La raccolta dei dati giusti per queste attività può essere spesso lenta e impegnativa e richiede l'accesso ad ambienti specializzati. 

In genere, 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 con illuminazione 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, nonché competenze, per garantire che il dataset rifletta accuratamente la variabilità del mondo reale. Fattori come le diverse dimensioni, forme e materiali dei difetti devono essere presi in considerazione per creare un dataset robusto e affidabile.

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

‍

Oltre al settore manifatturiero, le integrazioni relative ai dataset possono essere utilizzate in molti altri settori. Combinando la velocità e l'accuratezza di YOLO11con set di dati facilmente accessibili, le aziende possono sviluppare e implementare rapidamente soluzioni su misura per le loro esigenze specifiche. Prendiamo ad esempio il settore sanitario: le integrazioni di set di dati possono aiutare a sviluppare soluzioni per analizzare le immagini mediche e detect anomalie come i tumori. Allo stesso modo, nella guida autonoma, tali integrazioni possono aiutare a identificare veicoli, pedoni e segnali stradali per migliorare la sicurezza.

Punti chiave

Trovare il set di dati giusto è spesso una delle fasi più lunghe della costruzione di un modello di computer vision. Tuttavia, l'integrazione con Roboflow rende più facile trovare il set di dati migliore per l'addestramento personalizzato dei modelli Ultralytics YOLO , anche se non si è esperti di computer vision. 

Con l'accesso a una vasta collezione di set di dati per attività di computer vision come il rilevamento di oggetti, la classificazione di immagini o la segmentazione di istanze, Roboflow Universe elimina il problema del processo di scoperta dei dati. Consente di iniziare rapidamente a lavorare e di concentrarsi sulla costruzione del modello, anziché dedicare tempo alla raccolta e all'organizzazione dei dati. Questo approccio semplificato 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'IA nelle auto a guida autonoma e la computer vision in agricoltura nelle nostre pagine dedicate alle soluzioni. 🚀