Come utilizzare Ultralytics YOLO11 per la classificazione delle immagini

Immaginiamo che un robot stia guardando due gatti, uno nero e uno bianco, e debba capire quale sia quale. Per farlo, può utilizzare la classificazione delle immagini, un task di computer vision che aiuta a identificare e categorizzare oggetti o scene in un'immagine. Infatti, grazie ai recenti progressi nell'intelligenza artificiale (AI), la classificazione delle immagini può essere utilizzata in un'ampia varietà di applicazioni, che spaziano dal monitoraggio degli animali alla produzione e all'agricoltura con il rilevamento delle malattie delle colture.

Uno degli ultimi progressi nella classificazione delle immagini è il modello Ultralytics YOLO11. Lanciato durante l'evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24), YOLO11 è progettato per affrontare con facilità e precisione un'ampia varietà di task di vision AI, tra cui la classificazione delle immagini.

In questo articolo esploreremo i fondamenti della classificazione delle immagini, discuteremo le applicazioni nel mondo reale e ti mostreremo come utilizzare YOLO11 per la classificazione delle immagini tramite il pacchetto Python di Ultralytics. Vedremo anche come puoi provare le funzionalità di YOLO11 su Ultralytics HUB in pochi semplici passaggi. Iniziamo!

Fig 1. Un esempio di utilizzo di Ultralytics YOLO11 per classificare un gatto persiano.

Link to this sectionCos'è la classificazione delle immagini?#

La classificazione delle immagini funziona assegnando un'etichetta o un tag a un'immagine basandosi su pattern appresi da immagini precedentemente etichettate. Analizzando attentamente i pixel di un'immagine, un modello di computer vision può trovare la corrispondenza migliore per l'immagine stessa. Modelli affidabili come YOLO11 possono gestire questo processo senza problemi. L'architettura del modello YOLO11 rende possibile elaborare immagini o fotogrammi video quasi istantaneamente, rendendolo ideale per le applicazioni che necessitano di una classificazione delle immagini rapida e precisa.

Per comprendere veramente la portata della classificazione delle immagini, è utile distinguerla da altri task come l'object detection. Mentre la classificazione delle immagini etichetta un'intera immagine, l'object detection identifica e localizza ogni oggetto all'interno dell'immagine.

Fig 2. Un confronto tra classificazione delle immagini, object detection e segmentazione delle immagini.

Consideriamo l'immagine di una giraffa. Nella classificazione delle immagini, il modello potrebbe etichettare l'intera immagine semplicemente come "giraffa" basandosi sul suo contenuto generale. Tuttavia, con l'object detection, il modello non si ferma all'identificazione della giraffa; posiziona anche un bounding box attorno alla giraffa, individuandone la posizione esatta all'interno dell'immagine.

Ora, immagina la giraffa che sta vicino a un albero in una savana con altri animali. Un modello di classificazione delle immagini potrebbe etichettare l'intera scena come "savana" o semplicemente "fauna selvatica". Tuttavia, con l'object detection, il modello identificherebbe ogni elemento individualmente, riconoscendo la giraffa, l'albero e gli altri animali, ciascuno con il proprio bounding box.

Link to this sectionApplicazioni della classificazione delle immagini con YOLO11#

L'accuratezza e le prestazioni del modello Ultralytics YOLO11 per la classificazione delle immagini lo rendono utile in una vasta gamma di settori. Esploriamo alcune delle principali applicazioni di YOLO11 nella classificazione delle immagini.

Link to this sectionClassificazione delle immagini con YOLO11 in agricoltura#

La classificazione delle immagini può aiutare a ottimizzare molte funzioni nel settore dell'agricoltura. Nello specifico, utilizzando modelli di classificazione delle immagini come YOLO11, gli agricoltori possono monitorare costantemente la salute delle loro colture, rilevare malattie gravi e identificare eventuali infestazioni di parassiti con elevata precisione.

Ecco come funziona:

• Acquisizione delle immagini: Dispositivi IoT come fotocamere e droni possono essere distribuiti per acquisire immagini in tempo reale delle colture da varie angolazioni e posizioni nei campi.
• Elaborazione: A seconda delle risorse e della connettività disponibili, le immagini possono essere elaborate in loco tramite edge computing o caricate sul cloud per un'analisi più intensiva.
• Classificazione delle immagini con YOLO11: Il modello YOLO11 può analizzare queste immagini per classificare varie condizioni delle colture. Le classi comuni potrebbero includere: sana, malata, infestata da parassiti o carente di nutrienti, aiutando a individuare problemi specifici che interessano diverse aree del campo.
• Generazione di insight: Sulla base delle classificazioni, YOLO11 fornisce approfondimenti sugli indicatori di salute delle colture, aiutando gli agricoltori a rilevare i primi segni di malattia, identificare punti critici per i parassiti o individuare carenze nutrizionali.
• Processo decisionale informato: Con questi insight, gli agricoltori possono prendere decisioni mirate su irrigazione, fertilizzazione e controllo dei parassiti, applicando le risorse solo dove sono più necessarie.

Fig 3. Un esempio di diverse classi di foglie, da sane a infette.

Link to this sectionClassificazione delle immagini con YOLO11 nel settore retail#

La classificazione delle immagini può migliorare significativamente l'esperienza di shopping retail, rendendola più personalizzata e facile da usare. I rivenditori possono utilizzare modelli di computer vision addestrati su misura per riconoscere i prodotti nel loro inventario e integrare questa capacità nelle loro app mobili o siti web. I clienti possono quindi cercare i prodotti semplicemente caricando una foto, rendendo lo shopping più veloce e conveniente.

Una volta che un cliente carica un'immagine in un sistema di ricerca visiva, accadono diverse cose dietro le quinte prima che vengano visualizzati i risultati della ricerca.

Innanzitutto, l'object detection può essere utilizzata per isolare gli elementi principali nell'immagine, come identificare un capo di abbigliamento o un mobile e separarlo dallo sfondo. Successivamente, la classificazione delle immagini può essere utilizzata per categorizzare ulteriormente ogni elemento, riconoscendo se si tratta di una giacca, una camicia, un divano o un tavolo.

Con queste informazioni, il sistema può trovare prodotti simili disponibili per l'acquisto, il che è particolarmente utile per trovare articoli unici o di tendenza difficili da descrivere solo a parole. La stessa tecnologia può anche aiutare a snellire altre operazioni retail, come la gestione dell'inventario, riconoscendo e categorizzando automaticamente gli articoli.

Fig 4. Una piattaforma di ricerca visiva basata sulla classificazione delle immagini in azione.

Link to this sectionMonitoraggio della fauna selvatica con la classificazione delle immagini YOLO11#

Tradizionalmente, monitorare gli animali in natura è un compito noioso che coinvolge molte persone impegnate a smistare e analizzare manualmente migliaia di foto. Con modelli di computer vision come YOLO11, i ricercatori possono monitorare automaticamente gli animali a una velocità maggiore. Le fotocamere possono essere posizionate negli habitat naturali per scattare foto. Il modello di vision AI può quindi essere utilizzato per analizzare queste foto e classificare gli animali al loro interno (se presenti). Un sistema di questo tipo può aiutare i ricercatori a studiare e tracciare le popolazioni animali, i loro modelli di migrazione, ecc.

Un altro modo in cui l'AI e i modelli di computer vision come YOLO11 possono aiutare in questo campo è semplificando il processo di classificazione delle specie in via di estinzione. Identificando le potenziali specie o categorie di razze a cui un animale può appartenere, questi modelli possono fornire dati essenziali ai ricercatori. Ad esempio, l'Università della Tasmania (UTAS) ha sviluppato un sistema basato sulla classificazione delle immagini per monitorare diverse specie di fauna selvatica della Tasmania. Le previsioni dei modelli possono quindi aiutare scienziati e ricercatori a tenere d'occhio l'attività e il comportamento degli animali, il che potrebbe segnalare minacce come il bracconaggio o la perdita di habitat.

Fig 5. YOLO11 prevede le possibili razze a cui un cane potrebbe appartenere.

Link to this sectionProvare la classificazione delle immagini con il modello YOLO11#

Ora che abbiamo discusso cosa sia la classificazione delle immagini ed esplorato alcune delle sue applicazioni, diamo un'occhiata a come puoi provare la classificazione delle immagini con il nuovo modello YOLO11. Esistono due modi semplici per iniziare: utilizzare il pacchetto Python di Ultralytics o tramite Ultralytics HUB. Analizzeremo entrambe le opzioni.

Link to this sectionEsecuzione di inferenze utilizzando YOLO11#

Per iniziare con il pacchetto Python di Ultralytics, è sufficiente installarlo usando pip, conda o Docker. In caso di problemi, consulta la nostra Guida ai Problemi Comuni per utili suggerimenti per la risoluzione dei problemi.

Una volta installato il pacchetto, puoi usare il seguente codice per caricare una variante del modello di classificazione delle immagini YOLO11 ed eseguire un'inferenza su un'immagine. Eseguire un'inferenza significa utilizzare un modello addestrato per fare previsioni su dati nuovi e non visti in precedenza. Puoi fare una prova con un'immagine a tua scelta!

Fig 6. Esecuzione di inferenze utilizzando il modello YOLO11.

Link to this sectionAddestrare un modello di classificazione personalizzato YOLO11#

Puoi anche utilizzare lo stesso pacchetto Python per addestrare un modello di classificazione personalizzato YOLO11. L'addestramento personalizzato ti consente di effettuare il fine-tuning di un modello YOLO11 per le tue esigenze specifiche. Ad esempio, se stai sviluppando un'app per classificare diverse razze di gatti, puoi addestrare un modello YOLO11 appositamente per questo scopo.

Il codice qui sotto mostra come caricare e addestrare un modello di classificazione delle immagini YOLO11. Ti permette di trasferire pesi pre-addestrati, utilizzando la conoscenza di un modello esistente per migliorare le prestazioni del tuo modello. Puoi specificare un dataset, come il dataset "fashion-mnist", che è una nota raccolta di immagini in scala di grigi di capi di abbigliamento (camicie, pantaloni, scarpe, ecc.). Addestrare il modello su questo dataset gli insegna a riconoscere diverse categorie di abbigliamento. Puoi sostituire "fashion-mnist" con qualsiasi dataset adatto al tuo progetto, come le razze di gatti o i tipi di piante.

Fig 7. Addestramento personalizzato di un modello YOLO11 per la classificazione delle immagini.

Link to this sectionProva YOLO11 su Ultralytics HUB#

Sebbene utilizzare il pacchetto Ultralytics sia semplice, richiede una certa conoscenza di Python. Se stai cercando un'opzione più adatta ai principianti, puoi utilizzare Ultralytics HUB, una piattaforma progettata per rendere semplice e accessibile l'addestramento e la distribuzione di diversi modelli YOLO. Per iniziare, dovrai creare un account.

Una volta effettuato l'accesso, naviga nella sezione 'Models' e seleziona il modello YOLO11 per la classificazione delle immagini. Vedrai una gamma di dimensioni del modello disponibili: nano, small, medium, large ed extra-large. Dopo aver scelto un modello, puoi caricare un'immagine nella sezione 'Preview', dove le previsioni appariranno sul lato sinistro della pagina una volta elaborata l'immagine.

Fig 8. Utilizzo di Ultralytics HUB per eseguire un'inferenza.

Link to this sectionPunti chiave#

YOLO11 offre potenti funzionalità di classificazione delle immagini che aprono nuove possibilità in vari settori. Dal miglioramento del monitoraggio delle colture in agricoltura al potenziamento delle ricerche di prodotti nel retail, fino al supporto alla conservazione della fauna selvatica, la velocità e l'accuratezza di YOLO11 lo rendono ideale per diverse applicazioni. Con opzioni per l'addestramento personalizzato tramite il pacchetto Python di Ultralytics o una configurazione semplice e senza codice su Ultralytics HUB, gli utenti possono facilmente incorporare YOLO11 nei propri flussi di lavoro. Man mano che sempre più settori adottano soluzioni AI, YOLO11 offre uno strumento flessibile e ad alte prestazioni che supporta l'innovazione e i progressi pratici.

Per saperne di più, visita il nostro repository GitHub e interagisci con la nostra community. Esplora le applicazioni dell'AI nelle auto a guida autonoma e nell'assistenza sanitaria sulle nostre pagine delle soluzioni. 🚀