Come addestrare i modelli Ultralytics YOLO per rilevare animali selvatici

La fauna selvatica del nostro pianeta è incredibilmente diversificata, dalle api ronzanti agli imponenti elefanti, e preservare questa biodiversità è fondamentale per mantenere un ecosistema equilibrato. Tuttavia, la perdita di habitat, il bracconaggio e i cambiamenti climatici rendono sempre più difficile la conservazione. Tutti questi fattori hanno effetti negativi sulle popolazioni di animali selvatici.

I metodi tradizionali di monitoraggio degli animali, come l'analisi manuale delle immagini delle fototrappole e i rilevamenti sul campo, possono essere lenti e richiedere molte risorse. Spesso questi metodi non riescono a coprire in modo efficace aree vaste e popolazioni numerose.

Per superare questi limiti, l'intelligenza artificiale (AI) può essere utilizzata come strumento efficace per la conservazione della fauna selvatica. In particolare, i modelli di visione artificiale come Ultralytics YOLO11 possono analizzare dati visivi, come immagini e video, per automatizzare l'identificazione e il tracciamento degli animali in tempo reale.

Le attività di visione artificiale, come il rilevamento degli oggetti e la segmentazione delle istanze, supportate da Ultralytics YOLO11, sono molto utili in questo contesto. Analizzando i dati visivi, queste attività ci aiutano a raccogliere dati fondamentali, individuare schemi ecologici e rispondere in modo più efficace alle minacce ambientali.

In questo articolo vedremo il processo di addestramento di Ultralytics YOLO11 per rilevare gli animali. Iniziamo!

Come iniziare con Ultralytics YOLO11#

Prima di passare al tutorial, vediamo le diverse opzioni di configurazione e gli strumenti necessari per addestrare e usare Ultralytics YOLO11.

Lo strumento principale di cui avrai bisogno è il pacchetto Python di Ultralytics, che semplifica l'utilizzo dei modelli YOLO per attività come l'addestramento, il rilevamento degli oggetti e l'esecuzione di inferenze. Per usare il pacchetto Ultralytics, dovrai configurare un ambiente in cui eseguire il codice; puoi scegliere tra diverse opzioni.

Ecco alcune delle opzioni più diffuse per configurare il tuo ambiente di sviluppo:

• Interfaccia a riga di comando (CLI): la CLI, nota anche come terminale, è uno strumento basato su testo che ti permette di interagire con il computer digitando comandi. A differenza delle interfacce grafiche (GUI), in cui fai clic sui pulsanti e usi il mouse, la CLI richiede di digitare istruzioni testuali per eseguire programmi o attività.
• Jupyter Notebooks: questi notebook ti permettono di scrivere ed eseguire codice in piccoli blocchi chiamati celle. Sono interattivi: puoi vedere subito il risultato del codice, il che semplifica i test e il debug.
• Google Colab: Google Colab è una piattaforma basata sul cloud che funziona come Jupyter Notebooks, ma offre accesso gratuito a GPU potenti. È facile da configurare e non devi installare nulla sul computer.

Puoi esplorare altre opzioni per configurare il tuo ambiente nella documentazione ufficiale di Ultralytics, ma le tre opzioni menzionate sopra 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 Ultralytics YOLO11 usando Google Colab, Jupyter Notebooks o un semplice file Python, poiché i passaggi sono molto simili in tutti questi ambienti.

Panoramica del dataset African Wildlife#

Dopo aver scelto un ambiente di sviluppo, per addestrare Ultralytics YOLO11 a rilevare specificamente gli animali selvatici, ci serve un set di dati di immagini etichettate di alta qualità. Ogni immagine deve mostrare chiaramente dove si trovano gli animali e a quale tipologia appartengono, così il modello può imparare a riconoscerli tramite l'apprendimento supervisionato.

In questo tutorial useremo il dataset African Wildlife. È supportato dal pacchetto Python di Ultralytics ed è progettato specificamente per rilevare gli animali che si trovano comunemente negli ecosistemi africani. Contiene immagini annotate di quattro specie fondamentali: bufali, elefanti, rinoceronti e zebre.

Fig. 1. Uno scorcio del dataset African Wildlife.

Ecco alcune caratteristiche principali del dataset African Wildlife:

• Dimensioni: il set di dati è composto da 1504 immagini, suddivise in tre sottoinsiemi: 1052 per l'addestramento, 225 per la convalida e 227 per il test. Questa suddivisione permette al modello di apprendere in modo efficace e di essere valutato accuratamente.
• Integrazione semplice: Ultralytics fornisce un file di configurazione YAML che definisce i percorsi del set di dati, le classi e altri dettagli, rendendone semplice l'utilizzo durante l'addestramento dei modelli YOLO.
• Licenza open: questo set di dati è distribuito con licenza AGPL-3.0, che promuove la trasparenza e la collaborazione.

Addestramento di Ultralytics YOLO11 per il rilevamento degli animali#

Ora che abbiamo esplorato il dataset African Wildlife, possiamo iniziare ad addestrare un modello Ultralytics 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 sue prestazioni.

Passaggio 1: configurazione dell'ambiente#

Per iniziare, prepareremo un ambiente per addestrare e testare il modello. Puoi usare Google Colab, Jupyter Notebooks o un semplice file Python, a seconda delle tue preferenze. Crea un nuovo notebook Google Colab, un Jupyter Notebook o un file Python, secondo la tua scelta.

Se usi Google Colab, per impostazione predefinita l'ambiente viene eseguito su un CPU (unità centrale di elaborazione), il che può rallentare l'addestramento. Per velocizzare il processo, soprattutto con i modelli più grandi, puoi cambiare il runtime per usare una GPU. In Google Colab, vai alla scheda "Runtime" nel menu, seleziona "Change runtime type" e imposta l'acceleratore hardware su una GPU (preferibilmente una T4). Questo è importante per ridurre i tempi di addestramento.

Poi, indipendentemente dall'ambiente che usi, devi installare il pacchetto Python di Ultralytics. Se usi un ambiente basato su notebook (Google Colab o Jupyter), esegui il comando seguente anteponendo un punto esclamativo (!).

pip install ultralytics

Passaggio 2: caricamento di Ultralytics YOLO11 e preparazione del set di dati#

Dopo aver installato il pacchetto Ultralytics, il passaggio successivo consiste nel caricare il modello YOLO11 e preparare il set di dati per l'addestramento. Per prima cosa, carichiamo il modello YOLO11, già preaddestrato su attività generiche di rilevamento degli oggetti. Questo modello preaddestrato è un buon punto di partenza, perché ha già imparato a rilevare vari oggetti.

Poi specifichiamo il set di dati tramite 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 deve imparare a riconoscere.

Il set di dati African Wildlife è supportato dal pacchetto Ultralytics, quindi verrà scaricato automaticamente quando avvii l'addestramento, evitandoti di configurarlo manualmente.

Una volta pronto il set di dati, il modello inizia l'addestramento. Il modello passerà più volte attraverso il set di dati, in un processo chiamato addestramento per più epoche, per migliorare la propria capacità di riconoscere gli animali nelle immagini. Durante questo processo, le immagini verranno ridimensionate a dimensioni uniformi per l'elaborazione e il modello elaborerà un numero prestabilito di immagini alla volta, detto batch. Questo aiuta il modello ad apprendere in modo più efficiente.

In breve, il modello viene caricato, il set di dati viene scaricato automaticamente e, una volta eseguito lo snippet di codice qui sotto, inizia l'addestramento per rilevare gli animali in base al dataset African Wildlife.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.train(data="african-wildlife.yaml", epochs=30, batch=8)

Passaggio 3: guida all'addestramento di Ultralytics YOLO11#

Una volta eseguito lo snippet di codice qui sopra, il modello inizia ad addestrarsi in base alle impostazioni che gli abbiamo fornito. Tramite il codice, abbiamo impostato 30 passaggi sulle immagini di addestramento. Ciò significa che il modello esaminerà tutte le immagini del set di dati 30 volte, imparando qualcosa in più a ogni passaggio.

Immagina di voler imparare a disegnare un animale. Al primo tentativo, il disegno potrebbe non venire bene, ma continuando a esercitarti inizierai a migliorare. A ogni nuovo tentativo impari dagli errori e li correggi. È ciò che fa ogni epoca per il modello: esamina le immagini, commette errori, impara da essi e migliora ogni volta nel riconoscere gli animali.

Se il codice di training viene eseguito correttamente, vedrai il seguente output man mano che il training procede:

• Configurazione del training: La prima parte mostra la versione di Ultralytics, PyTorch e l'hardware utilizzato (in questo caso, CPU), insieme alla configurazione del training, che include il modello (yolo11n.pt), la dimensione del batch, le epoche e la dimensione delle immagini.
• Riepilogo del modello: Fornisce informazioni sulla complessità del modello, ad esempio il numero di layer e di parametri, mostrando quanto è grande il modello.
• Ottimizzatore e learning rate: Indica l'ottimizzatore (ad es. AdamW) e il learning rate, che controllano il modo in cui il modello modifica i propri parametri durante il training.
• Scansione del dataset: Il modello esegue la scansione del dataset e mostra quante immagini sono valide e pronte per il training. Conferma che non ci sono problemi con il dataset.
• Avanzamento del training: L'output si aggiorna dopo ogni epoca (ciclo di training) e mostra l'avanzamento del training insieme ai principali valori di loss (box_loss, cls_loss, dfl_loss), che indicano quanto bene sta apprendendo il modello.
• Metriche delle prestazioni: Dopo ogni epoca vedrai metriche delle prestazioni come precisione, richiamo e mAP (precisione media). Questi valori mostrano quanto è accurato il modello nel rilevare e classificare gli oggetti.
• Utilizzo della memoria della GPU: Se usi una GPU, l'output mostra l'utilizzo della memoria per monitorare l'uso dell'hardware.

Fig. 2. L'output che vedrai mentre è in corso il training del modello.

Passaggio 4: valutazione delle prestazioni del modello addestrato su dati personalizzati#

Al termine del processo di training, puoi esaminare e convalidare le metriche delle prestazioni del modello. In Google Colab, puoi aprire la cartella "runs", quindi la cartella "detect" e infine la cartella "train", dove troverai i log con i principali indicatori delle prestazioni.

Per chi usa un ambiente Python, i risultati del training vengono salvati per impostazione predefinita nella directory “runs/train/” all'interno della directory di lavoro corrente. Ogni esecuzione del training crea una nuova sottodirectory (ad es. runs/train/exp, runs/train/exp2 e così via), in cui puoi trovare i log e gli altri output relativi al training.

Se usi la CLI, puoi accedere facilmente a questi risultati e a queste impostazioni con il comando “yolo settings”, che ti permette di visualizzare o modificare i percorsi e le altre configurazioni relative ai log del training e ai dettagli degli esperimenti.

Tra i log troverai anche alcuni grafici che puoi esaminare per capire come è andato il processo di training del modello. Questi grafici, generati al termine del training, mostrano se il modello è migliorato nel tempo commettendo meno errori e diventando più accurato.

I grafici tracciano i progressi del modello e mostrano come la loss (la differenza tra le previsioni del modello e i valori effettivi) sia diminuita e l'accuratezza sia aumentata durante il training. Questo ti aiuta a capire quanto bene il modello abbia imparato a riconoscere gli animali e quanto sia migliorato al termine del training.

Fig. 3. Esempio di grafici che puoi analizzare per valutare il modello.

Metriche chiave per la valutazione delle prestazioni#

Ecco inoltre una panoramica più dettagliata di alcune metriche che puoi usare per valutare le prestazioni del modello:

• Precisione media (mAP): Questa metrica misura l'accuratezza complessiva del modello nel rilevare animali in tutte le classi, calcolando la media dei punteggi di precisione a diversi livelli di richiamo.
• Precisione: Indica la percentuale di rilevamenti corretti e si calcola dividendo il numero di veri positivi per il numero totale di rilevamenti effettuati.
• Richiamo: Indica la percentuale di animali effettivamente presenti nelle immagini che il modello ha identificato correttamente e riflette la sua capacità di rilevare tutte le istanze pertinenti.

Queste metriche di valutazione possono aiutarti a ottimizzare il modello e migliorarne l'accuratezza prima di usarlo in applicazioni reali.

Esecuzione di inferenze con il tuo modello Ultralytics YOLO11 addestrato su dati personalizzati#

Ora che abbiamo addestrato e valutato Ultralytics YOLO11, è il momento di usarlo per analizzare immagini ed eseguire inferenze. Puoi usare le immagini di test del dataset oppure nuove immagini provenienti da fonti diverse.

Useremo il seguente frammento di codice per eseguire il modello su un'immagine del dataset di test. Il codice importa i moduli necessari dalla libreria Ultralytics. Definisce quindi il percorso del file dei pesi del modello migliore ("best.pt"), archiviato nella directory dei risultati. Il modello YOLO11 addestrato su dati personalizzati viene caricato usando questi pesi.

Successivamente, viene impostato il percorso di un'immagine del dataset di test African Wildlife. Il modello viene applicato a questa immagine per rilevare gli oggetti, generare i risultati e salvare l'output (ad esempio, gli oggetti rilevati o le annotazioni).

from ultralytics import YOLO, settings

best_model_path = results.save_dir / "weights/best.pt"
model = YOLO(best_model_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", all'interno della directory runs/detect. Per i test successivi verranno create nuove cartelle, ad esempio "predict2", "predict3" e così via, in cui archiviare le immagini.

Fig. 4. Esecuzione di un'inferenza con il modello Ultralytics YOLO11 ottimizzato su un'immagine di test.

Per testare immagini provenienti da fonti diverse, puoi usare il codice qui sotto. Abbiamo usato un'immagine di Pexels. Puoi usare la stessa immagine o qualsiasi altra immagine pertinente.

from ultralytics import YOLO

best_model_path = results.save_dir / "weights/best.pt"
model = YOLO(best_model_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.

Fig. 5. Rilevamento di animali selvatici con il modello Ultralytics YOLO11 ottimizzato su un'immagine mai vista.

L'IA per la conservazione della fauna selvatica: applicazioni nel mondo reale#

Modelli come Ultralytics YOLO11 possono rilevare e tracciare automaticamente gli animali, consentendo un'ampia gamma di applicazioni pratiche. Ecco una panoramica di alcuni dei principali ambiti in cui l'IA per la visione può supportare le iniziative di conservazione della fauna selvatica:

• Monitoraggio delle specie: L'IA per la visione può elaborare dati visivi, come immagini e video, per identificare accuratamente le specie, contare gli esemplari e tracciarne gli spostamenti nel tempo.
• Avvisi delle telecamere intelligenti: Nelle aree remote, la visione artificiale può classificare continuamente gli animali e inviare avvisi in tempo reale, consentendo alle autorità competenti di intervenire rapidamente in caso di minacce, come comportamenti anomali degli animali o conflitti tra esseri umani e fauna selvatica.
• Analisi del comportamento: Monitorando le migrazioni, le abitudini alimentari e le interazioni sociali, i sistemi di IA per la visione possono fornire una panoramica completa delle dinamiche tra specie diverse.
• Prevenzione del bracconaggio: L'IA per la visione può essere usata per rilevare la presenza non autorizzata di persone e i segnali di bracconaggio, sfruttando al contempo il machine learning e i dati storici per individuare le aree a rischio.

Punti chiave#

I modelli di visione artificiale come Ultralytics YOLO11 possono svolgere un ruolo fondamentale nella conservazione della fauna selvatica, automatizzando il rilevamento e il tracciamento degli animali. Con l'IA per la visione possiamo elaborare grandi volumi di immagini e video provenienti da fonti diverse, rendendo possibili valutazioni accurate della fauna selvatica.

Ultralytics YOLO11 è particolarmente adatto al rilevamento di oggetti in tempo reale, il che lo rende ideale per attività come la sorveglianza anti-bracconaggio, l'analisi comportamentale e il monitoraggio degli ecosistemi. Integrando modelli basati sull'IA nelle iniziative di conservazione, possiamo proteggere meglio le specie, migliorare il monitoraggio della biodiversità e prendere decisioni più informate per salvaguardare la fauna selvatica a rischio di estinzione.

Unisciti alla nostra community ed esplora il repository GitHub per saperne di più sulla visione artificiale. Scopri altre applicazioni legate all'IA in ambito sanitario e alla visione artificiale nel settore manifatturiero nelle nostre pagine dedicate alle soluzioni. Consulta le opzioni di licenza Ultralytics per iniziare a usare l'IA per la visione.