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 abilitare attività essenziali come il rilevamento di oggetti. A differenza della classificazione di immagini, il rilevamento di oggetti non solo identifica quali oggetti sono presenti in un'immagine, ma ne individua anche le posizioni esatte. Ciò lo rende uno strumento critico per applicazioni di visione IA come le auto a guida autonoma, i sistemi di sicurezza in tempo reale e l'automazione dei magazzini.

Nel tempo, la tecnologia di rilevamento di oggetti è diventata più avanzata e facile da usare. Un importante passo avanti è stato annunciato all'evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24), con il lancio del modello Ultralytics YOLO11. YOLO11 migliora precisione e prestazioni supportando al contempo le stesse attività di YOLOv8, facilitando la transizione agevole 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 di oggetti, in cosa differisce dalle altre attività di computer vision ed esploreremo le sue applicazioni nel mondo reale. Ti guideremo anche su come utilizzare il modello YOLO11 con il pacchetto Python di Ultralytics e la piattaforma Ultralytics HUB. Iniziamo!

Link to this sectionCos'è il rilevamento di oggetti?#

Il rilevamento di oggetti è un'attività fondamentale della computer vision che fa molto di più che identificare semplicemente gli oggetti in un'immagine. A differenza della classificazione di immagini, che determina solo se un oggetto specifico è presente, il rilevamento di oggetti riconosce molteplici oggetti e ne individua le posizioni esatte tramite riquadri di delimitazione (bounding box).

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

Fig 2. Utilizzo di YOLO11 per rilevare volti.

Ciò che distingue il rilevamento di oggetti da altre attività come la segmentazione semantica o l'instance segmentation è il suo focus e la sua efficienza.

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

Il rilevamento di oggetti, invece, offre un approccio più snello identificando e classificando gli oggetti mentre ne contrassegna le posizioni. Ciò 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.

Link to this sectionApplicazioni di YOLO11 e del rilevamento di oggetti#

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

Link to this sectionUtilizzo di YOLO11 per l'analisi del settore retail#

YOLO11 e il rilevamento di oggetti stanno ridefinendo l'analisi del 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 tracciare i livelli delle scorte, organizzare gli scaffali e ridurre gli errori nel conteggio dell'inventario.

Ad esempio, YOLO11 può rilevare articoli specifici come occhiali da sole sullo scaffale di un negozio. Ma perché un rivenditore dovrebbe monitorare uno scaffale? Mantenere gli scaffali riforniti e organizzati è vitale 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 scarseggiano, sono fuori posto o sovraffollati, aiutandoli a mantenere un'esposizione organizzata e attraente che migliora l'esperienza di acquisto.

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

Link to this sectionYOLO11 nelle applicazioni di smart city#

Una città vivace fa affidamento su un flusso di traffico fluido e strade sicure per funzionare in modo efficiente, e YOLO11 può contribuire a rendere tutto ciò possibile. Infatti, molte applicazioni di smart city possono essere integrate con YOLO11.

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

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

Le intuizioni fornite dai sistemi di visione IA che monitorano le strade possono avvisare le autorità di violazioni del traffico 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 YOLO11 di elaborare dati visivi lo rende un potente strumento per migliorare le infrastrutture cittadine. Ad esempio, può aiutare a ottimizzare i tempi dei semafori analizzando il movimento di veicoli e pedoni. Può anche migliorare 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.

Link to this sectionRilevamento video in tempo reale con YOLO11: Aumentare l'accessibilità#

Il rilevamento di oggetti in tempo reale si riferisce alla capacità di un sistema di identificare e classificare gli oggetti in un feed video live mentre appaiono. YOLO11 è progettato per prestazioni superiori in tempo reale ed eccelle nel supportare questa funzionalità. Le sue applicazioni vanno oltre la semplice ottimizzazione dei processi: può anche contribuire a creare un mondo più inclusivo e accessibile.

Ad esempio, YOLO11 può assistere gli individui con disabilità visive identificando gli oggetti in tempo reale. Sulla base dei rilevamenti, possono essere fornite descrizioni audio, il che aiuta gli utenti a navigare nei propri dintorni con maggiore indipendenza.

Considera una persona non vedente che fa la spesa. Scegliere gli articoli giusti può essere difficile, ma YOLO11 può aiutare. 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 assicurarsi di aver preso tutto ciò di cui hanno bisogno. Riconoscendo gli articoli quotidiani, YOLO11 può semplificare la spesa.

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

Link to this sectionGuida passo-passo al rilevamento di oggetti con 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.

Link to this sectionEsecuzione di inferenze utilizzando YOLO11#

L'inferenza è quando un modello IA analizza dati nuovi e non visti per fare previsioni, classificare informazioni o fornire intuizioni basate su ciò che ha appreso durante l'addestramento. Per quanto riguarda il rilevamento di oggetti, ciò significa identificare e localizzare oggetti specifici all'interno di un'immagine o di un video, tracciando dei riquadri di delimitazione intorno a essi ed etichettandoli in base all'addestramento del modello.

Per eseguire l'inferenza utilizzando il modello di rilevamento di 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 installato, puoi utilizzare il seguente codice per caricare il modello di rilevamento di oggetti YOLO11 ed effettuare previsioni su un'immagine.

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

Link to this sectionAddestramento di un modello YOLO11 personalizzato#

YOLO11 supporta anche l'addestramento personalizzato per adattarsi meglio ai tuoi casi d'uso specifici. Effettuando il fine-tuning del modello, puoi adattarlo per rilevare oggetti rilevanti per il tuo progetto. Ad esempio, quando usi la computer vision nell'assistenza sanitaria, un modello YOLO11 personalizzato potrebbe essere usato per rilevare anomalie specifiche in immagini mediche, come tumori in scansioni MRI o fratture in radiografie, aiutando i medici a fare diagnosi più rapide e accurate.

Il frammento di codice qui sotto mostra come caricare e addestrare un modello YOLO11 per il rilevamento di oggetti. Puoi iniziare da un file di configurazione YAML o da un modello pre-addestrato, trasferire i pesi e addestrare su set di dati come COCO per funzionalità di rilevamento di 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.

Link to this sectionRilevamento di oggetti YOLO11 su Ultralytics HUB#

Per chi cerca un'alternativa no-code, Ultralytics HUB fornisce una piattaforma di visione IA facile da usare per l'addestramento e il deployment di modelli YOLO, incluso YOLO11.

Per eseguire il rilevamento di oggetti sulle immagini, crea semplicemente un account, naviga nella sezione 'Models' e seleziona la variante del modello di rilevamento di oggetti YOLO11. Carica la tua immagine e la piattaforma visualizzerà 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 dell'HUB, YOLO11 rende semplice sia per gli sviluppatori che per le aziende sfruttare la potenza della tecnologia avanzata di rilevamento di oggetti.

Link to this sectionPunti chiave#

YOLO11 definisce un nuovo standard nel rilevamento di oggetti, combinando alta precisione e versatilità per soddisfare le esigenze di vari settori. Dal miglioramento dell'analisi nel retail alla gestione delle infrastrutture di smart city, YOLO11 è costruito per prestazioni affidabili e in tempo reale 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 sulle nostre pagine delle soluzioni. 🚀