Come utilizzare Ultralytics YOLO11 per il rilevamento di oggetti

La computer vision è un campo dell'intelligenza artificiale (IA) che aiuta le macchine a interpretare e comprendere le informazioni visive per consentire attività essenziali come il rilevamento degli oggetti. A differenza della classificazione delle immagini, il rilevamento degli oggetti non solo identifica quali oggetti sono presenti in un'immagine, ma ne individua anche le posizioni esatte. Questo lo rende uno strumento fondamentale per applicazioni di visione artificiale come le auto a guida autonoma, sistemi di sicurezza in tempo reale e automazione dei magazzini.

Nel corso del tempo, la tecnologia di rilevamento degli oggetti è diventata più avanzata e semplice da usare. Un importante passo avanti è stato annunciato durante l'evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24), con il lancio del modello Ultralytics YOLO11. YOLO11 migliora la precisione e le prestazioni supportando al contempo le stesse attività di YOLOv8, semplificando la transizione per gli utenti dei modelli precedenti.

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

In questo articolo analizzeremo cos'è il rilevamento degli oggetti, in cosa differisce dalle altre attività di computer vision ed esploreremo le sue applicazioni nel mondo reale. Ti guideremo inoltre nell'utilizzo del modello YOLO11 con il pacchetto Python di Ultralytics e la piattaforma Ultralytics HUB. Cominciamo!

Cos'è il rilevamento di oggetti?#

Il rilevamento degli oggetti è un'attività fondamentale nella computer vision che fa molto di più che identificare semplicemente 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 individua le loro posizioni esatte utilizzando i bounding box.

Ad esempio, può identificare e individuare volti in una foto di gruppo, auto su una strada trafficata o prodotti sullo scaffale di un negozio. La combinazione di riconoscimento degli oggetti e localizzazione lo rende particolarmente utile per applicazioni come la sorveglianza, il monitoraggio delle folle 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 di istanza sono la sua focalizzazione e la sua efficienza.

La segmentazione semantica etichetta ogni pixel in un'immagine ma non differenzia tra singoli oggetti dello stesso tipo (ad esempio, tutti i volti in una foto verrebbero raggruppati come "face"). La segmentazione di istanza fa un ulteriore passo avanti separando ogni oggetto e delineandone la forma esatta, anche per oggetti della stessa classe.

Il rilevamento degli oggetti, tuttavia, offre un approccio più snello identificando e classificando gli oggetti e segnandone al contempo le posizioni. Questo lo rende ideale per attività in tempo reale come il rilevamento di volti nei filmati di sicurezza o l'identificazione di ostacoli per veicoli autonomi.

Applicazioni di Ultralytics YOLO11 e object detection#

Le funzioni avanzate di rilevamento degli oggetti di Ultralytics YOLO11 lo rendono utile in molti settori. Diamo un'occhiata ad alcuni esempi.

Utilizzo di Ultralytics YOLO11 per la retail analytics#

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

Ad esempio, YOLO11 può rilevare articoli specifici come gli occhiali da sole sullo scaffale di un negozio. Ma perché un rivenditore dovrebbe voler monitorare uno scaffale? Mantenere gli scaffali forniti e organizzati è fondamentale per garantire che i clienti trovino ciò di cui hanno bisogno, il che influisce direttamente sulle vendite. Monitorando gli scaffali in tempo reale, i rivenditori possono individuare rapidamente quando gli articoli stanno per esaurirsi, sono posizionati male o sono sovraffollati, aiutandoli a mantenere un'esposizione ordinata e attraente che migliora l'esperienza di acquisto.

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

Ultralytics YOLO11 nelle applicazioni per smart city#

Una città brulicante si affida a un flusso di traffico fluido e a strade sicure per funzionare in modo efficiente, e Ultralytics YOLO11 può aiutare a renderlo possibile. Infatti, molte applicazioni di smart city possono essere integrate con YOLO11.

Un caso interessante riguarda l'uso del rilevamento degli oggetti per identificare le targhe sui veicoli in movimento. In questo modo, Ultralytics YOLO11 può supportare una riscossione dei pedaggi più rapida, una migliore gestione del traffico e un'applicazione più rapida delle normative.

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

Gli insight provenienti dai sistemi di visione artificiale che monitorano le strade possono avvisare le autorità di violazioni del codice stradale o congestioni prima che si trasformino in problemi più grandi. YOLO11 può anche 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 un potente strumento per migliorare le infrastrutture cittadine. Ad esempio, può aiutare a ottimizzare la temporizzazione dei semafori analizzando il movimento di veicoli e pedoni. Può anche migliorare la sicurezza nelle zone scolastiche rilevando la presenza di bambini e invitando i conducenti a 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: Aumentare l'accessibilità#

Il rilevamento degli oggetti in tempo reale si riferisce alla capacità di un sistema di identificare e classificare gli oggetti in un flusso video dal vivo man mano che appaiono. Ultralytics YOLO11 è progettato per prestazioni in tempo reale superiori ed eccelle nel supportare questa capacità. Le sue applicazioni vanno oltre la semplice ottimizzazione dei processi: possono anche aiutare 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 indipendenza.

Immagina una persona ipovedente che fa la spesa al supermercato. Scegliere gli articoli giusti può essere difficile, ma Ultralytics YOLO11 può dare una mano. Mentre mettono gli articoli nel carrello, un sistema integrato con YOLO11 potrebbe essere utilizzato per identificare ogni articolo - come banane, avocado o un cartone di latte - e fornire descrizioni audio in tempo reale. Questo permette loro di confermare le proprie scelte e di assicurarsi di avere tutto ciò di cui hanno bisogno. Riconoscendo gli oggetti di tutti i giorni, YOLO11 può semplificare gli acquisti.

Fig 5. Il rilevamento di oggetti può contribuire a rendere il mondo più accessibile per i non vedenti.

Guida passo-passo al rilevamento degli oggetti con Ultralytics YOLO11#

Ora che abbiamo coperto le basi del rilevamento di oggetti e le sue svariate applicazioni, approfondiamo come puoi iniziare con il modello Ultralytics YOLO11 per attività come il rilevamento di oggetti.

Esistono due modi semplici per utilizzare YOLO11: tramite il pacchetto Python di Ultralytics o l'Ultralytics HUB. Esploriamo entrambi i metodi, iniziando con il pacchetto Python.

Esecuzione di inferenze utilizzando Ultralytics YOLO11#

L'inferenza si verifica quando un modello di IA analizza dati nuovi e mai visti prima per effettuare previsioni, classificare informazioni o fornire insight basati su ciò che ha appreso durante l'addestramento. Per quanto riguarda il rilevamento degli oggetti, ciò significa identificare e localizzare oggetti specifici all'interno di un'immagine o di un video, tracciando intorno ad essi dei bounding box ed etichettandoli in base all'addestramento del modello.

Per eseguire l'inferenza utilizzando il modello di rilevamento degli oggetti YOLO11, dovrai 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 trucchi che ti aiuteranno a risolverli. Una volta effettuata l'installazione, puoi utilizzare il seguente codice per caricare il modello di rilevamento degli oggetti YOLO11 ed eseguire previsioni su un'immagine.

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

Addestramento di un modello Ultralytics YOLO11 personalizzato#

Ultralytics YOLO11 supporta anche il custom training per adattarsi meglio ai tuoi casi d'uso specifici. Eseguendo il fine-tuning del modello, puoi personalizzarlo per rilevare oggetti rilevanti per il tuo progetto. Ad esempio, quando using computer vision in healthcare, un modello YOLO11 addestrato su misura potrebbe essere utilizzato per rilevare specifiche anomalie nelle immagini mediche, come tumori nelle scansioni MRI o fratture nelle radiografie, aiutando i medici a formulare diagnosi più rapide e accurate.

Lo snippet di codice sottostante mostra come caricare e addestrare un modello Ultralytics YOLO11 per il rilevamento degli oggetti. Puoi iniziare da un file di configurazione YAML o da un modello pre-addestrato, trasferire i pesi e addestrare su dataset come COCO per capacità di rilevamento degli oggetti più raffinate.

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 il deployment in diversi ambienti.

Rilevamento di oggetti YOLO11 su Ultralytics HUB#

Per chi cerca un'alternativa senza codice, Ultralytics HUB offre una piattaforma di visione artificiale di facile utilizzo per l'addestramento e il deployment 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 la tua immagine e la piattaforma mostrerà gli oggetti rilevati in una sezione di anteprima.

Fig 7. Esecuzione di inferenze su Ultralytics HUB.

Unendo la flessibilità del pacchetto Python con la semplicità di HUB, Ultralytics YOLO11 rende semplice per sviluppatori e aziende sfruttare la potenza della tecnologia avanzata di rilevamento degli oggetti.

Punti chiave#

Ultralytics YOLO11 stabilisce un nuovo standard nel rilevamento di oggetti, combinando un'elevata precisione con la versatilità per soddisfare le esigenze di vari settori. Dal potenziamento dell'analisi retail alla gestione delle infrastrutture di smart city, YOLO11 è progettato per prestazioni in tempo reale e affidabili in innumerevoli applicazioni.

Con opzioni per l'addestramento personalizzato e 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 che esplora la computer vision o un'azienda che cerca di innovare con l'IA, YOLO11 offre gli strumenti necessari per avere successo.

Per saperne di più, dai un'occhiata al nostro repository GitHub e interagisci con la nostra community. Esplora le applicazioni dell'IA nelle auto a guida autonoma e nella computer vision per l'agricoltura nelle nostre pagine delle soluzioni. 🚀