15 aprile 2025
Scopri come addestrare i modelli YOLO per rilevare gli animali selvatici utilizzando l'African Wildlife Dataset e utilizzare il modello per eseguire inferenze su immagini inedite.
La fauna selvatica del nostro pianeta è incredibilmente diversificata, dalle api ronzanti agli elefanti imponenti, e preservare questa biodiversità è fondamentale per mantenere un ecosistema equilibrato. Tuttavia, gli sforzi di conservazione stanno diventando più impegnativi a causa della perdita di habitat, del bracconaggio e del cambiamento climatico. Tutti questi fattori influiscono negativamente sulle popolazioni di animali selvatici.
I metodi tradizionali di monitoraggio degli animali, come l'analisi manuale delle immagini di fototrappole e le indagini sul campo, possono essere lenti e richiedere molte risorse. Spesso questi sforzi non riescono a coprire efficacemente aree estese e grandi popolazioni.
Per superare queste limitazioni, l'intelligenza artificiale (IA) può essere utilizzata come strumento di grande impatto nella conservazione della fauna selvatica. In particolare, i modelli di computer vision come Ultralytics YOLO11 possono analizzare dati visivi come immagini e video per automatizzare l'identificazione e il tracciamento degli animali in tempo reale.
Task di computer vision come il rilevamento di oggetti e la segmentazione di istanze, supportati da YOLO11, sono molto utili in questo contesto. Analizzando i dati visivi, questi task ci aiutano a raccogliere dati cruciali, identificare pattern ecologici e rispondere in modo più efficace alle minacce ambientali.
In questo articolo, esamineremo il processo di addestramento di YOLO11 per rilevare gli animali. Iniziamo!
Prima di immergerci nel tutorial, diamo un'occhiata alle diverse opzioni di configurazione e agli strumenti necessari per addestrare e utilizzare YOLO11.
Lo strumento principale di cui avrai bisogno è il pacchetto Python Ultralytics, che semplifica il lavoro con i modelli YOLO per attività come l'addestramento, il rilevamento di oggetti e l'esecuzione di inferenze. Per utilizzare il pacchetto Ultralytics, dovrai configurare un ambiente per eseguire il tuo codice e ci sono varie opzioni tra cui puoi scegliere.
Ecco alcune delle opzioni più comuni per configurare il tuo ambiente di sviluppo:
Sebbene esistano altre opzioni per configurare il tuo ambiente, che puoi approfondire nella documentazione ufficiale di Ultralytics, le tre opzioni sopra menzionate richiedono una configurazione minima e sono facili da usare, il che le rende ideali per iniziare rapidamente.
In questo tutorial, mostreremo come configurare e addestrare YOLO11 utilizzando Google Colab, Jupyter Notebooks o un semplice file Python, poiché i passaggi sono molto simili in tutti questi ambienti.
Dopo aver selezionato un ambiente di sviluppo, per addestrare YOLO11 a rilevare specificamente gli animali selvatici, abbiamo bisogno di un set di dati di alta qualità di immagini etichettate. Ogni immagine deve mostrare chiaramente dove si trovano gli animali e di che tipo sono, in modo che il modello possa imparare a riconoscerli attraverso l'apprendimento supervisionato.
In questo tutorial, utilizzeremo il Dataset sulla fauna selvatica africana. È supportato dal pacchetto Python Ultralytics ed è specificamente progettato per rilevare gli animali che si trovano comunemente negli ecosistemi africani. Contiene immagini annotate di quattro specie chiave: bufali, elefanti, rinoceronti e zebre.
Ecco alcune caratteristiche chiave del dataset African Wildlife:
Ora che abbiamo esplorato l'African Wildlife Dataset, possiamo iniziare ad addestrare un modello YOLO11 per rilevare gli animali nelle immagini. Il processo prevede la configurazione dell'ambiente di sviluppo, l'addestramento del modello YOLO11 e la valutazione delle prestazioni del modello.
Per iniziare, prepareremo un ambiente per l'addestramento e il test del modello. A seconda delle preferenze, è possibile utilizzare Google Colab, Jupyter Notebooks o un semplice file Python. Crea un nuovo notebook Google Colab, Jupyter Notebook o file Python di conseguenza.
Se stai utilizzando Google Colab, l'ambiente per impostazione predefinita viene eseguito su una CPU (Central Processing Unit), il che può rallentare il training. Per accelerare il processo, soprattutto per i modelli più grandi, puoi cambiare il runtime per utilizzare una GPU. In Google Colab, puoi andare alla scheda "Runtime" nel menu, selezionare "Cambia tipo di runtime" e impostare l'acceleratore hardware su una GPU (preferibilmente una GPU T4). Questo è importante per ridurre i tempi di training.
Successivamente, indipendentemente dall'ambiente in uso, è necessario installare il pacchetto Python Ultralytics. Se si utilizza un ambiente basato su notebook (Google Colab o Jupyter), eseguire il comando seguente con un punto esclamativo (!) all'inizio
pip install ultralyticsUna volta installato il pacchetto Ultralytics, il passo successivo è caricare il modello YOLO11 e preparare il dataset per l'addestramento. Innanzitutto, carichiamo il modello YOLO11, che è già pre-addestrato su attività generali di object detection. Questo modello pre-addestrato ci offre un buon punto di partenza, poiché ha già imparato a rilevare vari oggetti.
Quindi, specifichiamo il set di dati utilizzando un file YAML, che contiene informazioni sulle immagini e sulle etichette. Questo file indica al modello dove trovare il set di dati e quali oggetti dovrebbe imparare a riconoscere.
Il dataset African Wildlife è supportato dal pacchetto Ultralytics, quindi verrà scaricato automaticamente quando si avvia il training, risparmiando la difficoltà di configurarlo manualmente.
Una volta che il dataset è pronto, il modello inizia l'addestramento. Il modello esaminerà il dataset più volte, un processo chiamato addestramento su più epoche, per migliorare la sua capacità di riconoscere gli animali nelle immagini. Durante questo processo, le immagini verranno ridimensionate a una dimensione uniforme per l'elaborazione e il modello lavorerà con un numero prestabilito di immagini alla volta, noto come batch. Questo aiuta il modello a imparare in modo più efficiente.
In breve, il modello viene caricato, il dataset viene scaricato automaticamente e l'addestramento inizia a essere eseguito per rilevare gli animali in base all'African Wildlife Dataset quando viene eseguito il frammento di codice seguente.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
results = model.train(data="african-wildlife.yaml", epochs=30, batch=8)Una volta eseguito il frammento di codice di cui sopra, il modello inizia l'addestramento in base alle impostazioni che gli abbiamo fornito. Abbiamo detto al modello, tramite il codice, di esaminare le immagini di addestramento 30 volte. Quindi, significa che il modello esaminerà tutte le immagini nel dataset 30 volte, imparando ogni volta un po' di più.
Immagina di voler imparare a disegnare un animale. La prima volta che disegni, potrebbe non sembrare bello, ma dopo esserti esercitato più e più volte, inizi a migliorare. Ogni volta che ci riprovi, impari da ciò che è andato storto e lo correggi. Questo è ciò che ogni epoca fa per il modello: guarda le immagini, commette errori, impara da essi e migliora nel riconoscere gli animali ogni volta.
Se il codice di addestramento viene eseguito correttamente, verrà visualizzato il seguente output durante l'avanzamento dell'addestramento:
Dopo che il processo di addestramento è completo, è possibile rivedere e convalidare le metriche di performance del modello. In Google Colab, è possibile navigare nella cartella "runs", quindi nella cartella "detect" e infine nella cartella "train", dove si troveranno i log che mostrano gli indicatori chiave di performance.
Per gli utenti in un ambiente Python, i risultati dell'addestramento vengono salvati per impostazione predefinita nella directory “runs/train/” all'interno della directory di lavoro corrente. Ogni esecuzione di addestramento crea una nuova sottodirectory (ad esempio, runs/train/exp, runs/train/exp2, ecc.), dove è possibile trovare i log e altri output relativi all'addestramento.
Se stai utilizzando la CLI, puoi accedere facilmente a questi risultati e impostazioni utilizzando il comando “yolo settings”, che ti consente di visualizzare o modificare i percorsi e altre configurazioni relative ai log di training e ai dettagli dell'esperimento.
Tra i log, troverai anche alcuni grafici che puoi consultare per vedere come è andato il processo di training del modello. Questi grafici, creati al termine del training, mostrano se il modello è migliorato nel tempo commettendo meno errori e diventando più preciso.
Tracciano i progressi del modello, mostrando come la loss (la differenza tra le previsioni del modello e i valori effettivi) è diminuita e come l'accuratezza è aumentata durante l'addestramento. Questo aiuta a capire quanto bene il modello ha imparato a riconoscere gli animali e quanto è migliorato alla fine dell'addestramento.
Inoltre, ecco uno sguardo più da vicino ad alcune delle metriche che puoi utilizzare per valutare le prestazioni del modello:
Queste metriche di valutazione possono aiutare a mettere a punto il modello per migliorare l'accuratezza prima di utilizzarlo in applicazioni reali.
Ora che abbiamo addestrato e valutato YOLO11, è il momento di usarlo per analizzare le immagini ed eseguire inferenze. Puoi utilizzare le immagini di test dal set di dati o nuove immagini da diverse fonti.
Utilizzeremo il seguente frammento di codice per eseguire il modello su un'immagine nel set di dati di test. Importa i moduli necessari dalla libreria Ultralytics. Quindi definisce il percorso del file dei pesi del modello migliore ("best.pt") memorizzato nella directory dei risultati. Il modello YOLO11 personalizzato viene caricato utilizzando questi pesi.
Successivamente, viene impostato il percorso verso un'immagine dal set di dati di test African Wildlife. Il modello viene applicato a questa immagine per il rilevamento di oggetti, vengono generati i risultati e l'output (come oggetti rilevati o annotazioni) viene salvato.
from ultralytics import settings
best_model_path = results.save_dir / "weights/best.pt"
model = YOLO(best_path)
image_path = f"{settings['datasets_dir']}/african-wildlife/test/images/1 (168).jpg"
img_results = model(image_path, save=True) L'immagine di output mostrata di seguito verrà salvata nella cartella "predict" situata all'interno della directory runs/detect. Per i test successivi, verranno create nuove cartelle come "predict2", "predict3" e così via per archiviare le immagini.
Per testare immagini provenienti da fonti diverse, puoi utilizzare il codice seguente. Abbiamo utilizzato un'immagine da Pexels. Puoi utilizzare la stessa immagine o qualsiasi altra immagine pertinente.
best_model_path = results.save_dir / "weights/best.pt"
model = YOLO(best_path)
img2_results = model("https://images.pexels.com/photos/18341011/pexels-photo-18341011/free-photo-of-elephant-and-zebras-in-savannah.png", save=True)L'immagine di output mostrata di seguito verrà salvata nella cartella appropriata.
Modelli come YOLO11 possono rilevare e tracciare automaticamente gli animali, il che consente una varietà di applicazioni pratiche. Ecco uno sguardo ad alcune delle aree chiave in cui la Vision AI può essere utilizzata per supportare gli sforzi di conservazione della fauna selvatica:
Modelli di computer vision come YOLO11 possono svolgere un ruolo chiave nella conservazione della fauna selvatica automatizzando il rilevamento e il tracciamento degli animali. Con la Vision AI, possiamo elaborare grandi volumi di immagini e video da varie fonti, rendendo possibile l'esecuzione di valutazioni accurate della fauna selvatica.
Ultralytics YOLO11, in particolare, è un'ottima scelta per l'object detection in tempo reale, il che lo rende perfetto per task come la sorveglianza anti-bracconaggio, l'analisi comportamentale e il monitoraggio degli ecosistemi. Incorporando modelli basati sull'intelligenza artificiale negli sforzi di conservazione, possiamo proteggere meglio le specie, migliorare il tracciamento della biodiversità e prendere decisioni più informate per salvaguardare la fauna selvatica in via di estinzione.
Unisciti alla nostra community ed esplora il repository GitHub per saperne di più sulla computer vision. Scopri altre applicazioni relative all'IA nel settore sanitario e alla computer vision nella produzione nelle nostre pagine delle soluzioni. Dai un'occhiata alle opzioni di licenza Ultralytics per iniziare con la Vision AI.
