Tutto quello che devi sapere sulla visione artificiale nel 2025

Vent'anni fa, l'idea che macchine e computer potessero vedere e comprendere il mondo apparteneva alla fantascienza. Oggi, grazie ai progressi dell'intelligenza artificiale (IA), è diventata realtà. In particolare, la visione artificiale (CV), un ramo dell'IA, consente alle macchine di comprendere e analizzare immagini e video. Che si tratti di identificare oggetti in tempo reale, migliorare i sistemi di sicurezza o automatizzare attività complesse, la visione artificiale continua ad ampliare le capacità delle macchine.

La visione artificiale sta plasmando rapidamente il futuro della tecnologia, mentre vari settori esplorano diversi modi per adottarne le capacità uniche. Il mercato globale della tecnologia di visione artificiale ha raggiunto i 19,83 miliardi di dollari nel 2024 e si prevede che crescerà del 19,8% all’anno nei prossimi anni.

Fig. 1. Dimensioni del mercato globale della visione artificiale.

In questo articolo approfondiremo la visione artificiale, spiegando cos'è, come si è evoluta e come funziona oggi. Esamineremo anche alcune delle sue applicazioni più interessanti.

Che cos’è la visione artificiale?#

La visione artificiale è un sottocampo dell'IA che usa il machine learning e le reti neurali per insegnare ai computer a comprendere i contenuti dei dati visivi, come immagini o file video. Le informazioni ricavate dalle immagini elaborate possono servire a prendere decisioni migliori. Ad esempio, nel commercio al dettaglio la visione artificiale può monitorare i livelli delle scorte analizzando le immagini degli scaffali oppure migliorare l'esperienza di acquisto con sistemi di pagamento automatico. Molte aziende usano già la tecnologia di visione artificiale in applicazioni diverse, dall'aggiunta di filtri alle foto dello smartphone al controllo qualità nella produzione.

Forse ti stai chiedendo: perché c’è così tanta necessità di soluzioni di visione artificiale? Per gli esseri umani, le attività che richiedono attenzione costante, come individuare difetti o riconoscere schemi, possono essere difficili. Gli occhi si stancano e alcuni dettagli possono sfuggire, soprattutto in ambienti frenetici o complessi.

Le persone sono brave a riconoscere oggetti di dimensioni, colori, condizioni di illuminazione o angolazioni diverse, ma spesso faticano a mantenere la coerenza sotto pressione. Le soluzioni di visione artificiale, invece, lavorano senza sosta ed elaborano rapidamente e con precisione grandi quantità di dati visivi. Per esempio, possono analizzare il traffico in tempo reale per rilevare la congestione, ottimizzare i tempi dei semafori o persino identificare gli incidenti più rapidamente di un osservatore umano.

La storia della visione artificiale#

Nel corso degli anni, la visione artificiale è passata da concetto teorico a tecnologia affidabile che alimenta l'innovazione in tutti i settori. Vediamo alcune delle tappe fondamentali che ne hanno segnato lo sviluppo:

• Anni Cinquanta e Sessanta: i ricercatori hanno iniziato a sviluppare algoritmi per elaborare e analizzare dati visivi, ma i progressi sono stati lenti a causa della limitata potenza di calcolo.
• Anni Settanta: in questo decennio gli algoritmi hanno registrato notevoli miglioramenti; tra questi, la trasformata di Hough, che ha perfezionato il rilevamento di linee e forme geometriche nelle immagini. È emersa anche la riconoscimento ottico dei caratteri (OCR), che ha reso possibile per le macchine leggere il testo stampato.
• Anni Ottanta e Novanta: l’apprendimento automatico ha iniziato a svolgere un ruolo nella visione artificiale, aprendo la strada a capacità più avanzate e a future scoperte.
• Anni Duemila e Dieci: il deep learning ha introdotto una nuova dimensione nella visione artificiale, consentendo alle macchine di interpretare i dati visivi in modo più efficace. Ha potenziato funzionalità come l’identificazione degli oggetti, l’analisi del movimento e l’esecuzione di attività complesse.

Oggi la visione artificiale progredisce rapidamente e trasforma il modo in cui affrontiamo problemi in ambiti come la sanità, i veicoli autonomi e le città intelligenti. I modelli Ultralytics YOLO (You Only Look Once), progettati per le attività di visione artificiale in tempo reale, semplificano l’implementazione efficace e accurata dell’IA per la visione in vari settori. Con il continuo miglioramento dell’IA e dell’hardware, questi modelli aiutano le aziende a prendere decisioni più consapevoli e a ottimizzare le operazioni grazie ad analisi avanzate dei dati visivi.

Come funziona la visione artificiale#

I sistemi di visione artificiale analizzano le immagini usando reti neurali, algoritmi ispirati al funzionamento del cervello umano. Un tipo specifico, chiamato reti neurali convoluzionali (CNNs), è particolarmente adatto a riconoscere schemi, come i bordi e le forme nelle immagini.

Per semplificare i dati visivi, tecniche come il pooling si concentrano sulle parti più importanti di un’immagine, mentre livelli aggiuntivi elaborano queste informazioni per svolgere attività come identificare caratteristiche o rilevare oggetti. Modelli avanzati come Ultralytics YOLO11, progettati per garantire velocità e accuratezza, rendono possibile l’elaborazione delle immagini in tempo reale.

Fig. 2. Un esempio di utilizzo di Ultralytics YOLO11 per il rilevamento degli oggetti.

Una tipica applicazione di visione artificiale prevede diversi passaggi per trasformare le immagini grezze in informazioni utili. Ecco le quattro fasi principali:

• Acquisizione delle immagini: i dati visivi vengono raccolti con telecamere o sensori e la qualità delle immagini dipende dal tipo di sensore utilizzato.
• Elaborazione delle immagini: i dati raccolti vengono poi migliorati mediante tecniche di pre-elaborazione, come la riduzione del rumore e l’evidenziazione dei bordi, per facilitarne l’analisi.
• Estrazione delle caratteristiche: vengono individuati dettagli importanti, come forme e texture, concentrandosi sulle parti dell’immagine più rilevanti.
• Riconoscimento di schemi: le caratteristiche individuate vengono analizzate con l’apprendimento automatico per svolgere attività come rilevare oggetti, tracciare movimenti o riconoscere schemi.

Esplorare le attività di visione artificiale#

Forse avrai notato che, parlando del funzionamento della visione artificiale, abbiamo menzionato le attività di visione artificiale. Modelli come Ultralytics YOLO11 sono progettati per supportarle, offrendo soluzioni rapide e accurate per applicazioni reali. Dal rilevamento degli oggetti al tracciamento dei loro movimenti, YOLO11 gestisce queste attività in modo efficiente. Vediamo alcune delle principali attività di visione artificiale supportate e il loro funzionamento.

Rilevamento degli oggetti#

Il rilevamento degli oggetti è un’attività fondamentale di visione artificiale, usata per identificare gli oggetti di interesse in un’immagine. Il risultato di un’attività di rilevamento degli oggetti è un insieme di riquadri di delimitazione (rettangoli disegnati intorno agli oggetti rilevati in un’immagine), accompagnati da etichette di classe (la categoria o il tipo di ciascun oggetto, come «auto» o «persona») e punteggi di confidenza (un valore numerico che indica il grado di certezza del modello per ogni rilevamento). Per esempio, il rilevamento degli oggetti può essere utilizzato per identificare e localizzare un pedone in strada o un’auto nel traffico.

Fig. 3. Utilizzo di Ultralytics YOLO11 per il rilevamento degli oggetti.

Classificazione delle immagini#

L’obiettivo principale della classificazione delle immagini è assegnare a un’immagine in ingresso un’etichetta o una categoria predefinita in base al suo contenuto complessivo. Questa attività consiste in genere nell’identificare l’oggetto o la caratteristica predominante nell’immagine. Per esempio, la classificazione delle immagini può servire a determinare se un’immagine contiene un gatto o un cane. I modelli di visione artificiale come YOLO11 possono anche essere addestrati su misura per classificare singole razze di gatti o cani, come mostrato di seguito.

Fig. 4. Classificazione di diverse razze di gatti con YOLO11.

Segmentazione di istanze#

La segmentazione di istanze è un’altra attività fondamentale di visione artificiale, utilizzata in diverse applicazioni. Consiste nel suddividere un’immagine in segmenti e identificare ogni singolo oggetto, anche quando sono presenti più oggetti dello stesso tipo. A differenza del rilevamento degli oggetti, la segmentazione di istanze va oltre e traccia i contorni precisi di ogni oggetto. Per esempio, nella produzione e riparazione automobilistica, può aiutare a identificare ed etichettare separatamente ogni componente dell’auto, rendendo il processo più accurato ed efficiente.

Fig. 5. Segmentazione dei componenti di un’auto con YOLO11.

Stima della posa#

L'obiettivo della stima della posa è determinare la posizione e l'orientamento di una persona o di un oggetto prevedendo la posizione di keypoint come mani, testa e gomiti. È particolarmente utile nelle applicazioni in cui è importante comprendere le azioni fisiche in tempo reale. La stima della posa umana è comunemente usata in ambiti come l'analisi sportiva, il monitoraggio del comportamento animale e la robotica.

Fig. 6. YOLO11 può aiutare a stimare la posa umana.

Per esplorare le altre attività di visione artificiale supportate da YOLO11, consulta la documentazione ufficiale di Ultralytics. Contiene informazioni dettagliate su come YOLO11 gestisce attività come il tracciamento degli oggetti e il rilevamento degli oggetti con bounding box orientate (OBB).

I modelli di visione artificiale più diffusi oggi#

Nonostante la disponibilità di molti modelli di visione artificiale, la serie Ultralytics YOLO si distingue per le sue prestazioni elevate e la sua versatilità. Nel tempo, i modelli Ultralytics YOLO sono migliorati, diventando più veloci, più accurati e capaci di gestire più attività. Con l’introduzione di Ultralytics YOLOv5, la distribuzione dei modelli è diventata più semplice grazie a framework di IA per la visione come PyTorch. Questo ha permesso a una più ampia gamma di utenti di lavorare con un’IA per la visione avanzata, combinando elevata accuratezza e facilità d’uso.

In seguito, Ultralytics YOLOv8 ha ampliato ulteriormente le funzionalità, aggiungendo la segmentazione di istanze, la classificazione delle immagini e la stima della posa. YOLO11 ha poi offerto prestazioni elevate in diverse attività di visione artificiale. Con il 22% di parametri in meno rispetto a YOLOv8m, YOLO11m raggiunge una precisione media media (mAP) superiore sul dataset COCO, rilevando gli oggetti in modo più preciso ed efficiente. L'ultima generazione, Ultralytics YOLO26, si basa su questi risultati e offre inferenza end-to-end nativa senza NMS e prestazioni CPU più rapide per la distribuzione edge. Che tu sia uno sviluppatore esperto o alle prime armi con l'IA, i modelli Ultralytics YOLO sono un punto di partenza pratico per le tue esigenze di visione artificiale.

Il ruolo della visione artificiale nella vita quotidiana#

In precedenza abbiamo visto come i modelli di visione artificiale, come Ultralytics YOLO11, possano essere applicati in molti settori diversi. Ora esaminiamo altri casi d’uso che stanno cambiando la nostra vita quotidiana.

IA per la visione nella sanità#

Esiste un’ampia gamma di applicazioni per la visione artificiale nella sanità. Attività come il rilevamento e la classificazione degli oggetti vengono utilizzate nell’imaging medico per individuare le malattie più rapidamente e con maggiore accuratezza. Nell’analisi delle radiografie, la visione artificiale può identificare schemi che potrebbero essere troppo impercettibili per l’occhio umano.

Viene utilizzata anche per rilevare il cancro, confrontando le cellule cancerose con quelle sane. Analogamente, la visione artificiale può analizzare immagini di TAC e risonanze magnetiche con un’accuratezza quasi pari a quella umana. Aiuta i medici a prendere decisioni migliori e, in definitiva, a salvare più vite.

Fig 7. YOLO11 utilizzato per analizzare scansioni mediche.

L'IA nel settore automobilistico#

La visione artificiale è fondamentale per le auto a guida autonoma, perché le aiuta a rilevare oggetti come segnali stradali e semafori. Tecniche come il riconoscimento ottico dei caratteri (OCR) consentono all'auto di leggere il testo dei segnali stradali. La visione artificiale viene usata anche per rilevare i pedoni: le attività di rilevamento degli oggetti identificano le persone in tempo reale.

Inoltre, la visione artificiale può persino individuare crepe e buche sul manto stradale, consentendo di monitorare meglio le condizioni della strada, che cambiano nel tempo. Nel complesso, la tecnologia di visione artificiale può svolgere un ruolo chiave nel migliorare la gestione del traffico, aumentare la sicurezza dei trasporti e supportare la pianificazione delle città intelligenti.

Fig 8. Comprendere il traffico con YOLO11.

La visione artificiale in agricoltura#

Immagina che gli agricoltori possano seminare, irrigare e raccogliere automaticamente i propri campi al momento giusto, senza preoccupazioni. È proprio ciò che la visione artificiale porta all'agricoltura. Consente di monitorare le colture in tempo reale, così gli agricoltori possono rilevare prima problemi come malattie o carenze di nutrienti.

Oltre al monitoraggio, le macchine automatiche per il diserbo basate sull'IA e integrate con la visione artificiale possono individuare e rimuovere le erbacce, riducendo i costi di manodopera e aumentando i raccolti. Questa combinazione di tecnologie aiuta gli agricoltori a ottimizzare le risorse, migliorare l'efficienza e proteggere le colture.

Fig 9. Un esempio dell'uso di Ultralytics YOLO11 in agricoltura.

Automatizzare i processi di produzione con l'IA#

Nella produzione, la visione artificiale aiuta a monitorare la produzione, controllare la qualità dei prodotti e tracciare automaticamente i lavoratori. La Vision AI rende il processo più rapido e accurato, riducendo al contempo errori e costi.

In particolare, per il controllo qualità si usano spesso il rilevamento degli oggetti e la segmentazione di istanze. I sistemi di rilevamento dei difetti eseguono un controllo finale sui prodotti finiti per assicurarsi che solo i migliori arrivino ai clienti. Ogni prodotto con ammaccature o crepe viene identificato e scartato automaticamente. Questi sistemi tracciano e contano anche i prodotti in tempo reale, garantendo un monitoraggio continuo della linea di assemblaggio.

Fig 10. Monitoraggio di una linea di assemblaggio con la visione artificiale.

Rendere l'istruzione più efficace con la visione artificiale#

In classe, la visione artificiale può essere usata per il riconoscimento dei gesti: rilevando i movimenti degli studenti, personalizza l'apprendimento. Modelli come Ultralytics YOLO11 sono ideali per questa attività e possono identificare con precisione gesti come le mani alzate o le espressioni perplesse in tempo reale.

Quando vengono rilevati gesti di questo tipo, è possibile adattare una lezione in corso fornendo ulteriore supporto o modificando i contenuti per soddisfare meglio le esigenze dello studente. Si crea così un ambiente di apprendimento più dinamico e adattivo, che aiuta gli insegnanti a concentrarsi sull'insegnamento mentre il sistema supporta il percorso di apprendimento di ogni studente.

Tendenze recenti nella visione artificiale#

Ora che abbiamo esaminato alcune applicazioni della visione artificiale in diversi settori, vediamo le tendenze principali che ne stanno guidando lo sviluppo.

Una delle tendenze principali è l'edge computing, un framework di calcolo distribuito che elabora i dati più vicino alla loro fonte. Per esempio, l'edge computing consente a dispositivi come telecamere e sensori di elaborare direttamente i dati visivi, con tempi di risposta più rapidi, minori ritardi e una maggiore tutela della privacy.

Un'altra tendenza importante nella visione artificiale è l'uso della realtà mista. Questa combina il mondo fisico con elementi digitali e usa la visione artificiale per integrare senza soluzione di continuità gli oggetti virtuali nel mondo reale. Può migliorare le esperienze di gioco, istruzione e formazione.

Vantaggi e svantaggi della visione artificiale#

Ecco alcuni dei principali vantaggi che la visione artificiale può offrire a vari settori:

• Risparmio sui costi: automatizzare le attività con la visione artificiale aiuta a ridurre i costi operativi, migliorare la produttività e limitare gli errori.
• Scalabilità: una volta implementati, i sistemi di visione artificiale possono essere facilmente ampliati per gestire grandi volumi di dati, risultando adatti alle aziende in crescita o alle operazioni su larga scala.
• Personalizzazione in base all'applicazione: puoi ottimizzare i modelli di visione artificiale usando il tuo dataset e ottenere soluzioni altamente specializzate, in linea con i requisiti della tua applicazione.

Sebbene questi vantaggi evidenzino l'impatto che la visione artificiale può avere su vari settori, è importante considerare anche le difficoltà legate alla sua implementazione. Ecco alcune delle principali:

• Problemi di privacy dei dati: l'uso di dati visivi, soprattutto in ambiti delicati come la sorveglianza o la sanità, può sollevare problemi di privacy e sicurezza.
• Limiti ambientali: i sistemi di visione artificiale possono avere difficoltà a funzionare correttamente in ambienti impegnativi, per esempio in caso di scarsa illuminazione, immagini di bassa qualità o sfondi complessi.
• Costo iniziale elevato: sviluppare e implementare sistemi di visione artificiale può essere costoso, perché richiede hardware, software e competenze specialistiche.

Punti chiave#

La visione artificiale sta reinventando il modo in cui le macchine interagiscono con il mondo, permettendo loro di vederlo e comprenderlo come fanno gli esseri umani. È già usata in molti ambiti: per migliorare la sicurezza delle auto a guida autonoma, aiutare i medici a diagnosticare le malattie più rapidamente, personalizzare gli acquisti e persino supportare gli agricoltori nel monitoraggio delle colture.

Con il continuo progresso tecnologico, nuove tendenze come l'edge computing e la realtà mista aprono possibilità ancora maggiori. Nonostante alcune sfide, come i bias e i costi elevati, in futuro la visione artificiale potrebbe avere un impatto molto positivo su numerosi settori.

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