Come utilizzare Ultralytics YOLO11 per la classificazione delle immagini

Immagina che un robot stia osservando due gatti, uno nero e uno bianco, e debba capire quale sia l'uno e quale l'altro. Per farlo, può usare la classificazione di immagini, un compito di visione artificiale che aiuta a identificare e categorizzare oggetti o scene in un'immagine. In effetti, grazie ai recenti progressi nell'intelligenza artificiale (IA), la classificazione di immagini può essere utilizzata in un'ampia varietà di applicazioni, che vanno dal monitoraggio degli animali alla produzione e all'agricoltura con il rilevamento delle malattie delle colture.

Uno degli ultimi progressi nella classificazione di immagini è il modello Ultralytics YOLO11. Lanciato in occasione dell'evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24), YOLO11 è progettato per affrontare un'ampia varietà di compiti di visione IA, inclusa la classificazione di immagini, con facilità e precisione.

In questo articolo esploreremo i fondamenti della classificazione di immagini, parleremo di applicazioni reali e ti mostreremo come puoi usare YOLO11 per la classificazione di immagini tramite il pacchetto Python di Ultralytics. Daremo anche un'occhiata a 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.

Cos'è la classificazione delle immagini?#

La classificazione delle immagini funziona assegnando un'etichetta o un tag a un'immagine in base ai pattern appresi da immagini precedentemente etichettate. Analizzando attentamente i pixel di un'immagine, un modello di visione artificiale può trovare la corrispondenza migliore per l'immagine. Modelli affidabili come Ultralytics YOLO11 possono gestire questo processo senza problemi. L'architettura del modello di YOLO11 rende possibile elaborare immagini o fotogrammi video quasi all'istante, rendendolo ideale per le applicazioni che richiedono una classificazione delle immagini rapida e accurata.

Per comprendere veramente la portata della classificazione di immagini, è utile distinguerla da altri compiti come il rilevamento di oggetti. Mentre la classificazione di immagini etichetta un'intera immagine, il rilevamento di oggetti identifica e individua ciascun oggetto all'interno dell'immagine.

Fig 2. Un confronto tra classificazione di immagini, rilevamento di oggetti e segmentazione di immagini.

Consideriamo l'immagine di una giraffa. Nella classificazione di immagini, il modello potrebbe etichettare l'intera immagine semplicemente come giraffa in base al suo contenuto complessivo. Tuttavia, con il rilevamento di oggetti, il modello non si ferma all'identificazione della giraffa; posiziona anche un riquadro di delimitazione attorno alla giraffa, individuando la sua 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.

Applicazioni di classificazione delle immagini con Ultralytics YOLO11#

La precisione e le prestazioni del modello Ultralytics YOLO11 per la classificazione di immagini lo rendono utile in un'ampia gamma di settori. Esploriamo alcune delle principali applicazioni di YOLO11 nella classificazione di immagini.

Classificazione delle immagini con Ultralytics YOLO11 in agricoltura#

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

Ecco come funziona:

• Acquisizione di immagini: i dispositivi Internet of Things (IoT) come telecamere e droni possono essere distribuiti per catturare immagini in tempo reale delle colture da varie angolazioni e posizioni nei campi.
• Elaborazione: a seconda delle risorse disponibili e della connettività, le immagini possono essere elaborate in loco tramite edge computing o caricate sul cloud per un'analisi più approfondita.
• Classificazione di immagini con YOLO11: il modello YOLO11 può analizzare queste immagini per classificare varie condizioni delle colture. Le classi comuni possono includere sano, malato, infestato da parassiti o carente di nutrienti, aiutando a individuare problemi specifici che interessano diverse aree del campo.
• Generazione di insight: Sulla base delle classificazioni, Ultralytics YOLO11 fornisce insight sugli indicatori di salute delle colture, aiutando gli agricoltori a rilevare i primi segni di malattie, a identificare i punti critici di infestazione o a individuare carenze di nutrienti.
• Processo decisionale informato: con questi approfondimenti, 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.

Classificazione delle immagini con Ultralytics YOLO11 nel settore retail#

La classificazione di immagini può migliorare significativamente l'esperienza di shopping al dettaglio, rendendola più personalizzata e intuitiva. I rivenditori possono utilizzare modelli di visione artificiale addestrati su misura per riconoscere i prodotti nel loro inventario e integrare questa funzionalità 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, il rilevamento di oggetti può essere utilizzato per estrarre gli elementi principali nell'immagine, come l'identificazione di un capo di abbigliamento o di un mobile e la sua separazione dallo sfondo. Successivamente, la classificazione di immagini può essere utilizzata per classificare ulteriormente ogni articolo, riconoscendo se si tratta di una giacca, di una camicia, di un divano o di un tavolo.

Con queste informazioni, il sistema può richiamare prodotti simili disponibili per l'acquisto, il che è particolarmente utile per trovare articoli unici o alla moda che sono difficili da descrivere solo con le parole. La stessa tecnologia può anche aiutare a ottimizzare altre attività di vendita al dettaglio, come la gestione dell'inventario, riconoscendo e catalogando automaticamente gli articoli.

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

Monitoraggio della fauna selvatica con la classificazione delle immagini di Ultralytics YOLO11#

Tradizionalmente, monitorare gli animali in natura è un'attività laboriosa che richiede a molte persone di smistare e analizzare manualmente migliaia di foto. Con le modalità di visione artificiale come Ultralytics YOLO11, i ricercatori possono monitorare automaticamente gli animali a un ritmo più veloce. Le telecamere possono essere posizionate negli habitat naturali per scattare foto. Il modello di IA visiva può quindi essere utilizzato per analizzare queste foto e classificare gli animali presenti al loro interno (se presenti). Un tale sistema può aiutare i ricercatori a studiare e tracciare le popolazioni animali, i loro pattern di migrazione, ecc.

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

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

Provare la classificazione delle immagini con il modello Ultralytics YOLO11#

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

Esecuzione di inferenze utilizzando Ultralytics YOLO11#

Per iniziare con il pacchetto Python di Ultralytics, basta installarlo usando pip, conda o Docker. Se riscontri problemi, dai un'occhiata alla nostra Guida ai problemi comuni per utili consigli 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 di Ultralytics YOLO11 ed eseguire un'inferenza su un'immagine. Eseguire un'inferenza significa utilizzare un modello addestrato per effettuare previsioni su dati nuovi e non visti. Puoi fare una prova con un'immagine a tua scelta!

Fig 6. Esecuzione di inferenze utilizzando il modello Ultralytics YOLO11.

Addestramento di un modello di classificazione Ultralytics YOLO11 personalizzato#

Puoi anche usare lo stesso pacchetto Python per addestrare un modello di classificazione Ultralytics YOLO11 personalizzato. L'addestramento personalizzato ti consente di fine-tunare un modello YOLO11 per le tue esigenze specifiche. Ad esempio, se stai sviluppando un'app per classificare diverse razze di gatti, puoi addestrare su misura un modello YOLO11 proprio per quello scopo.

Il codice seguente mostra come caricare e addestrare un modello di classificazione delle immagini di Ultralytics YOLO11. Ti consente di trasferire pesi pre-addestrati, sfruttando la conoscenza di un modello esistente per potenziare le prestazioni del tuo modello. Puoi specificare un dataset, come il dataset "fashion-mnist", che è un noto set di immagini in scala di grigi di capi di abbigliamento (camicie, pantaloni, scarpe, ecc.). L'addestramento del modello su questo dataset gli insegna a riconoscere diverse categorie di abbigliamento. Puoi sostituire "fashion-mnist" con qualsiasi dataset adatto al tuo progetto, come razze di gatti o tipi di piante.

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

Prova YOLO11 su Ultralytics HUB#

Sebbene l'uso del 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 l'addestramento e la distribuzione di diversi modelli YOLO semplici e accessibili. Per iniziare, dovrai creare un account.

Una volta effettuato l'accesso, vai alla sezione "Models" e seleziona il modello Ultralytics YOLO11 per la classificazione delle immagini. Vedrai una gamma di dimensioni di modelli 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.

Punti 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'IA nelle auto a guida autonoma e nell'assistenza sanitaria nelle nostre pagine delle soluzioni. 🚀