Come utilizzare Ultralytics YOLO11 per il rilevamento di oggetti

La visione artificiale è un campo dell'intelligenza artificiale (AI) che aiuta le macchine a interpretare e comprendere le informazioni visive per svolgere attività essenziali come il rilevamento degli oggetti. A differenza della classificazione delle immagini, il rilevamento degli oggetti non si limita a identificare quali oggetti sono presenti in un'immagine, ma ne individua anche la posizione esatta. Questo lo rende uno strumento fondamentale per le applicazioni di AI per la visione, come le auto a guida autonoma, i sistemi di sicurezza in tempo reale e l'automazione dei magazzini.

Nel tempo, la tecnologia di rilevamento degli oggetti è diventata più avanzata e facile da usare. Un importante passo avanti è stato annunciato durante l'evento annuale ibrido di Ultralytics, YOLO Vision 2024 (YV24), con il lancio del modello Ultralytics YOLO11. YOLO11 migliora accuratezza e prestazioni, supportando al contempo le stesse attività di YOLOv8, facilitando la transizione senza problemi per chi usa i modelli precedenti.

Fig. 1. Un esempio di utilizzo del modello Ultralytics YOLO11 per il rilevamento degli oggetti.

In questo articolo analizzeremo cos'è il rilevamento degli oggetti, in cosa differisce da altre attività di visione artificiale ed esploreremo le sue applicazioni nel mondo reale. Ti mostreremo anche come usare il modello YOLO11 con il pacchetto Python di Ultralytics e la piattaforma Ultralytics HUB. Iniziamo!

Che cos'è il rilevamento degli oggetti?#

Il rilevamento degli oggetti è un'attività fondamentale della visione artificiale che fa molto più che identificare gli oggetti in un'immagine. A differenza della classificazione delle immagini, che determina solo se è presente un oggetto specifico, il rilevamento degli oggetti riconosce più oggetti e ne individua la posizione esatta usando riquadri di delimitazione.

Ad esempio, può identificare e localizzare i volti in una foto di gruppo, le auto su una strada trafficata o i prodotti su uno scaffale. La combinazione di riconoscimento e localizzazione degli oggetti lo rende particolarmente utile per applicazioni come la sorveglianza, il monitoraggio della folla e la gestione automatizzata dell'inventario.

Fig. 2. Utilizzo di Ultralytics YOLO11 per rilevare i volti.

Ciò che distingue il rilevamento degli oggetti da altre attività, come la segmentazione semantica o la segmentazione delle istanze, sono la sua focalizzazione e la sua efficienza.

La segmentazione semantica assegna un'etichetta a ogni pixel di un'immagine, ma non distingue tra singoli oggetti dello stesso tipo (ad esempio, tutti i volti in una foto verrebbero raggruppati come "volto"). La segmentazione delle istanze va oltre separando ogni oggetto e delineandone la forma esatta, anche quando gli oggetti appartengono alla stessa classe.

Il rilevamento degli oggetti, invece, offre un approccio più snello identificando e classificando gli oggetti e indicandone al contempo le posizioni. Questo lo rende ideale per attività in tempo reale, come rilevare volti nei filmati di sicurezza o identificare ostacoli per i veicoli autonomi.

Applicazioni di Ultralytics YOLO11 e del rilevamento degli oggetti#

Le funzionalità avanzate di rilevamento degli oggetti di Ultralytics YOLO11 lo rendono utile in molti settori. Vediamo alcuni esempi.

Utilizzo di Ultralytics YOLO11 per l'analisi del commercio al dettaglio#

Ultralytics YOLO11 e il rilevamento degli oggetti stanno ridefinendo l'analisi del commercio al dettaglio, rendendo la gestione dell'inventario e il monitoraggio degli scaffali più efficienti e accurati. La capacità del modello di rilevare gli oggetti rapidamente e in modo affidabile aiuta i rivenditori a monitorare i livelli delle scorte, organizzare gli scaffali e ridurre gli errori nel conteggio dell'inventario.

Ad esempio, YOLO11 può rilevare articoli specifici, come gli occhiali da sole, su uno scaffale. Ma perché un rivenditore dovrebbe voler monitorare uno scaffale? Mantenere gli scaffali riforniti e organizzati è fondamentale per garantire che i clienti trovino ciò di cui hanno bisogno, con un impatto diretto sulle vendite. Monitorando gli scaffali in tempo reale, i rivenditori possono individuare rapidamente gli articoli in esaurimento, fuori posto o ammassati, mantenendo un'esposizione ordinata e attraente che migliora l'esperienza di acquisto.

Fig. 3. Un esempio di utilizzo di Ultralytics YOLO11 per rilevare prodotti sugli scaffali.

Ultralytics YOLO11 nelle applicazioni per le città intelligenti#

Una città vivace si basa su un traffico scorrevole e strade sicure per funzionare in modo efficiente, e Ultralytics YOLO11 può contribuire a renderlo possibile. In effetti, molte applicazioni per le città intelligenti possono essere integrate con YOLO11.

Un caso interessante consiste nell'usare il rilevamento degli oggetti per identificare le targhe dei veicoli in movimento. In questo modo, Ultralytics YOLO11 può favorire una riscossione più rapida dei pedaggi, una migliore gestione del traffico e un'applicazione più veloce delle norme.

Fig. 4. Utilizzo del rilevamento degli oggetti e di Ultralytics YOLO11 per rilevare le targhe.

Le informazioni ricavate dai sistemi di AI per la visione che monitorano le strade possono avvisare le autorità di violazioni del codice stradale o congestioni prima che si trasformino in problemi più gravi. YOLO11 può inoltre rilevare pedoni e ciclisti, rendendo le strade più sicure ed efficienti per tutti.

In effetti, la capacità di Ultralytics YOLO11 di elaborare dati visivi lo rende uno strumento potente per migliorare le infrastrutture urbane. Ad esempio, può aiutare a ottimizzare i tempi dei semafori analizzando i movimenti di veicoli e pedoni. Può anche aumentare la sicurezza nelle zone scolastiche rilevando i bambini e avvisando i conducenti di rallentare. Con YOLO11, le città possono adottare misure proattive per affrontare le sfide e creare un ambiente più efficiente per tutti.

Rilevamento video in tempo reale con Ultralytics YOLO11: migliorare l'accessibilità#

Il rilevamento degli oggetti in tempo reale indica la capacità di un sistema di identificare e classificare gli oggetti in un flusso video dal vivo, man mano che compaiono. Ultralytics YOLO11 è progettato per offrire prestazioni superiori in tempo reale ed eccelle nel supportare questa capacità. Le sue applicazioni vanno oltre la semplice ottimizzazione dei processi: possono anche contribuire a creare un mondo più inclusivo e accessibile.

Ad esempio, YOLO11 può assistere le persone con disabilità visive identificando gli oggetti in tempo reale. Sulla base dei rilevamenti, è possibile fornire descrizioni audio, aiutando gli utenti a muoversi nell'ambiente circostante con maggiore autonomia.

Immagina una persona con disabilità visive che fa la spesa. Scegliere gli articoli giusti può essere difficile, ma Ultralytics YOLO11 può essere d'aiuto. Mentre inserisce gli articoli nel carrello, un sistema integrato con YOLO11 potrebbe identificare ogni prodotto, come banane, avocado o un cartone di latte, e fornire descrizioni audio in tempo reale. In questo modo può verificare le proprie scelte e assicurarsi di avere tutto ciò che serve. Riconoscendo gli articoli di uso quotidiano, YOLO11 può semplificare la spesa.

Fig. 5. Il rilevamento degli oggetti può contribuire a rendere il mondo più accessibile alle persone con disabilità visive.

Guida passo passo al rilevamento degli oggetti con Ultralytics YOLO11#

Ora che abbiamo illustrato le basi del rilevamento degli oggetti e le sue diverse applicazioni, vediamo come iniziare a usare il modello Ultralytics YOLO11 per attività come il rilevamento degli oggetti.

Esistono due modi semplici per usare YOLO11: tramite il pacchetto Python di Ultralytics o Ultralytics HUB. Esploriamoli entrambi, iniziando dal pacchetto Python.

Esecuzione di inferenze con Ultralytics YOLO11#

L'inferenza si verifica quando un modello di AI analizza dati nuovi e non osservati per formulare previsioni, classificare informazioni o fornire dati utili sulla base di ciò che ha appreso durante l'addestramento. Nel caso del rilevamento degli oggetti, ciò significa identificare e localizzare oggetti specifici all'interno di un'immagine o di un video, tracciarvi intorno riquadri di delimitazione ed etichettarli in base all'addestramento del modello.

Per eseguire l'inferenza con il modello di rilevamento degli oggetti YOLO11, devi prima installare il pacchetto Python di Ultralytics tramite pip, conda o Docker. Se riscontri problemi di installazione, consulta la guida alla risoluzione dei problemi per suggerimenti e indicazioni utili. Una volta installato, puoi usare il codice seguente per caricare il modello di rilevamento degli oggetti YOLO11 e formulare previsioni su un'immagine.

Fig. 6. Esecuzione di un'inferenza su un'immagine usando YOLO11n.

Addestramento di un modello Ultralytics YOLO11 personalizzato#

Ultralytics YOLO11 supporta anche l'addestramento personalizzato per adattarsi meglio ai tuoi casi d'uso specifici. Ottimizzando il modello, puoi configurarlo per rilevare gli oggetti rilevanti per il tuo progetto. Ad esempio, quando usi la visione artificiale nel settore sanitario, un modello YOLO11 addestrato su misura potrebbe essere usato per rilevare anomalie specifiche nelle immagini mediche, come tumori nelle scansioni MRI o fratture nelle radiografie, aiutando i medici a formulare diagnosi più rapide e accurate.

Il frammento di codice seguente mostra come caricare e addestrare un modello Ultralytics YOLO11 per il rilevamento degli oggetti. Puoi partire da un file di configurazione YAML o da un modello preaddestrato, trasferire i pesi e addestrare il modello su dataset come COCO per ottenere funzionalità di rilevamento degli oggetti più avanzate.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Dopo aver addestrato un modello, puoi anche esportarlo in vari formati per la distribuzione in ambienti diversi.

Rilevamento degli oggetti con YOLO11 su Ultralytics HUB#

Per chi cerca un'alternativa senza codice, Ultralytics HUB offre una piattaforma di AI per la visione facile da usare, destinata all'addestramento e alla distribuzione di modelli YOLO, incluso YOLO11.

Per eseguire il rilevamento degli oggetti sulle immagini, crea semplicemente un account, vai alla sezione «Models» e seleziona la variante del modello di rilevamento degli oggetti Ultralytics YOLO11. Carica l'immagine e la piattaforma mostrerà gli oggetti rilevati in una sezione di anteprima.

Fig. 7. Esecuzione di inferenze su Ultralytics HUB.

Combinando la flessibilità del pacchetto Python con la semplicità di HUB, Ultralytics YOLO11 permette a sviluppatori e aziende di sfruttare facilmente la potenza della tecnologia avanzata di rilevamento degli oggetti.

Punti chiave#

Ultralytics YOLO11 stabilisce un nuovo standard nel rilevamento degli oggetti, combinando elevata accuratezza e versatilità per soddisfare le esigenze di diversi settori. Dal potenziamento dell'analisi del commercio al dettaglio alla gestione delle infrastrutture delle città intelligenti, YOLO11 è progettato per offrire prestazioni affidabili in tempo reale in innumerevoli applicazioni.

Grazie alle opzioni di addestramento personalizzato e a un'interfaccia facile da usare tramite Ultralytics HUB, integrare YOLO11 nei tuoi flussi di lavoro non è mai stato così semplice. Che tu sia uno sviluppatore interessato a esplorare la visione artificiale o un'azienda che vuole innovare con l'AI, YOLO11 offre gli strumenti di cui hai bisogno per avere successo.

Per saperne di più, consulta il nostro repository GitHub e partecipa alla nostra community. Esplora le applicazioni di AI nelle auto a guida autonoma e nella visione artificiale per l'agricoltura nelle nostre pagine dedicate alle soluzioni. 🚀