Come utilizzare Ultralytics YOLO11 per la classificazione delle immagini

Supponiamo 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 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, dal monitoraggio degli animali alla produzione e all’agricoltura, con il rilevamento delle malattie delle colture.

Uno dei più recenti progressi nella classificazione delle immagini è il modello Ultralytics YOLO11. Presentato all’evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24), YOLO11 è progettato per affrontare con facilità e precisione un’ampia varietà di task di AI per la computer vision, 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 usare YOLO11 per la classificazione delle immagini tramite il pacchetto Python di Ultralytics. Vedremo anche come 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.

Che cos’è la classificazione delle immagini?#

La classificazione delle immagini funziona assegnando un’etichetta o un tag a un’immagine in base a schemi appresi da immagini etichettate in precedenza. Analizzando attentamente i pixel di un’immagine, un modello di computer vision può trovare la corrispondenza migliore per l’immagine. Modelli affidabili come Ultralytics YOLO11 possono gestire questo processo senza difficoltà. L’architettura del modello YOLO11 consente di elaborare immagini o fotogrammi video quasi istantaneamente, rendendolo ideale per le applicazioni che richiedono una classificazione delle immagini rapida e accurata.

Per comprendere davvero l’ambito della classificazione delle immagini, è utile distinguerla da altri task come il rilevamento degli oggetti. Mentre la classificazione delle immagini assegna un’etichetta all’intera immagine, il rilevamento degli oggetti identifica e localizza ogni oggetto all’interno dell’immagine.

Fig. 2. Confronto tra classificazione delle immagini, rilevamento degli oggetti e segmentazione delle immagini.

Consideriamo un’immagine di una giraffa. Nella classificazione delle immagini, il modello potrebbe etichettare semplicemente l’intera immagine come una giraffa in base al suo contenuto complessivo. Tuttavia, con il rilevamento degli oggetti, il modello non si limita a identificare la giraffa: inserisce anche un riquadro di delimitazione attorno a essa, individuandone con precisione la posizione nell’immagine.

Ora immagina la giraffa in piedi vicino a un albero, in una savana con altri animali. Un modello di classificazione delle immagini potrebbe etichettare l’intera scena come una savana o semplicemente come fauna selvatica. Con il rilevamento degli oggetti, invece, il modello identificherebbe ogni elemento singolarmente, riconoscendo la giraffa, l’albero e gli altri animali, ciascuno con il proprio riquadro di delimitazione.

Applicazioni della classificazione delle immagini con Ultralytics YOLO11#

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

Classificazione delle immagini con Ultralytics YOLO11 in agricoltura#

La classificazione delle immagini può aiutare a semplificare molte attività nel settore dell’agricoltura. In particolare, usando modelli di classificazione delle immagini come YOLO11, gli agricoltori possono monitorare costantemente lo stato di salute delle loro colture, rilevare malattie gravi e identificare con elevata accuratezza eventuali infestazioni di parassiti.

Ecco come funziona:

• Acquisizione delle immagini: i dispositivi dell’Internet delle cose (IoT), come telecamere e droni, possono essere distribuiti per acquisire immagini in tempo reale delle colture da diverse angolazioni e posizioni nei campi.
• Elaborazione: a seconda delle risorse e della connettività disponibili, le immagini possono essere elaborate in loco tramite l’edge computing oppure caricate nel cloud per un’analisi più approfondita.
• Classificazione delle immagini con YOLO11: il modello YOLO11 può analizzare queste immagini per classificare diverse condizioni delle colture. Le classi comuni possono includere coltura sana, malata, infestata da parassiti o carente di nutrienti, aiutando a individuare problemi specifici che interessano diverse aree del campo.
• Generazione di informazioni: in base alle classificazioni, Ultralytics YOLO11 fornisce informazioni sugli indicatori di salute delle colture, aiutando gli agricoltori a rilevare i primi segni di malattia, identificare i punti con maggiore presenza di parassiti o individuare le carenze nutrizionali.
• Processo decisionale informato: grazie a queste informazioni, gli agricoltori possono prendere decisioni mirate sull’irrigazione, la fertilizzazione e il 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 commercio al dettaglio#

La classificazione delle immagini può migliorare significativamente l’esperienza di acquisto nel commercio al dettaglio, rendendola più personalizzata e intuitiva. I rivenditori possono usare modelli di computer vision addestrati su misura per riconoscere i prodotti presenti nel loro inventario e integrare questa funzionalità nelle app mobili o nei siti web. I clienti possono quindi cercare prodotti semplicemente caricando una foto, rendendo gli acquisti più rapidi e convenienti.

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

Innanzitutto, il rilevamento degli oggetti può essere utilizzato per individuare gli elementi principali nell’immagine, ad esempio identificando un capo di abbigliamento o un mobile e separandolo 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 mostrare 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 semplificare altre attività del commercio al dettaglio, 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.

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

Tradizionalmente, monitorare gli animali selvatici è un’attività laboriosa che coinvolge molte persone impegnate a ordinare e analizzare manualmente migliaia di foto. Con modelli di computer vision come Ultralytics YOLO11, i ricercatori possono monitorare automaticamente gli animali più rapidamente. Le telecamere possono essere collocate negli habitat naturali per scattare foto. Il modello di AI per la computer vision può quindi essere utilizzato per analizzare queste foto e classificare gli animali presenti, se ce ne sono. Un sistema di questo tipo può aiutare i ricercatori a studiare e monitorare le popolazioni animali, i loro modelli migratori, ecc.

Un altro modo in cui i modelli di AI e computer vision come Ultralytics YOLO11 possono essere d’aiuto in questo campo consiste nello snellire il processo di classificazione delle specie a rischio di estinzione. Identificando le possibili specie o categorie di razza a cui può appartenere un animale, 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 della fauna selvatica della Tasmania. Le previsioni dei modelli possono quindi aiutare scienziati e ricercatori a tenere sotto controllo l’attività e il comportamento degli animali, che potrebbero segnalare minacce come il bracconaggio o la perdita dell’habitat.

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

Provare la classificazione delle immagini con il modello Ultralytics YOLO11#

Ora che abbiamo discusso cos’è la classificazione delle immagini ed esplorato alcune delle sue applicazioni, vediamo come puoi provare la classificazione delle immagini con il nuovo modello YOLO11. Esistono due modi semplici per iniziare: usare il pacchetto Python di Ultralytics oppure Ultralytics HUB. Esamineremo entrambe le opzioni.

Esecuzione di inferenze con Ultralytics YOLO11#

Per iniziare a usare il pacchetto Python di Ultralytics, installalo semplicemente usando pip, conda o Docker. Se riscontri problemi, consulta la nostra Guida ai problemi comuni per utili suggerimenti sulla risoluzione dei problemi.

Una volta installato il pacchetto, puoi usare il codice seguente per caricare una variante del modello Ultralytics YOLO11 per la classificazione delle immagini ed eseguire un’inferenza su un’immagine. Eseguire un’inferenza significa usare un modello addestrato per fare previsioni su dati nuovi e mai osservati. Puoi provare con un’immagine a tua scelta!

Fig. 6. Esecuzione di inferenze usando 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 ottimizzare un modello YOLO11 in base alle tue esigenze specifiche. Ad esempio, se stai sviluppando un’app per classificare diverse razze di gatti, puoi addestrare su misura un modello YOLO11 proprio a questo scopo.

Il codice seguente mostra come caricare e addestrare un modello Ultralytics YOLO11 per la classificazione delle immagini. Ti consente di trasferire pesi preaddestrati, usando le conoscenze di un modello esistente per migliorare le prestazioni del tuo modello. Puoi specificare un dataset, come il dataset "fashion-mnist", un noto insieme 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 usare il pacchetto Ultralytics sia semplice, richiede comunque una certa conoscenza di Python. Se cerchi un’opzione più adatta ai principianti, puoi usare 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.

Dopo aver effettuato l’accesso, vai alla sezione «Models» e seleziona il modello Ultralytics YOLO11 per la classificazione delle immagini. Vedrai una serie 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.

Punti chiave#

YOLO11 offre potenti funzionalità di classificazione delle immagini che aprono nuove possibilità in diversi settori. Dal miglioramento del monitoraggio delle colture in agricoltura all’ottimizzazione della ricerca dei prodotti nel commercio al dettaglio, fino al supporto alla conservazione della fauna selvatica, la velocità e l’accuratezza di YOLO11 lo rendono ideale per applicazioni diverse. Grazie alle opzioni di addestramento personalizzato tramite il pacchetto Python di Ultralytics o a una configurazione intuitiva senza codice su Ultralytics HUB, gli utenti possono integrare facilmente YOLO11 nei propri flussi di lavoro. Man mano che un numero crescente di settori adotta soluzioni di AI, YOLO11 offre uno strumento flessibile e ad alte prestazioni che favorisce l’innovazione e i progressi pratici.

Per saperne di più, visita il nostro repository GitHub e partecipa alla nostra community. Esplora le applicazioni di AI nelle auto a guida autonoma e nell’assistenza sanitaria nelle nostre pagine dedicate alle soluzioni. 🚀