Come usare 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, consentendo attività essenziali come il rilevamento di oggetti. A differenza della classificazione delle immagini, il rilevamento di oggetti non si limita a identificare gli oggetti 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 corso del tempo, la tecnologia di rilevamento degli 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 e supporta le stesse attività di YOLOv8, facilitando la transizione per gli utenti dei modelli precedenti. (Da allora YOLO11 è stato sostituito da Ultralytics YOLO26.)

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

In questo articolo spiegheremo cos'è il rilevamento di oggetti, in cosa differisce dalle altre attività di visione artificiale e quali sono le sue applicazioni nel mondo reale. Ti mostreremo inoltre come usare il modello YOLO11 con il pacchetto Python Ultralytics e Ultralytics HUB (ora Ultralytics Platform). 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 soltanto se è presente un oggetto specifico, il rilevamento degli oggetti riconosce più oggetti e ne individua le posizioni esatte usando riquadri di delimitazione.

Ad esempio, può identificare e localizzare i volti in una foto di gruppo, le auto in una strada trafficata o i prodotti sugli scaffali di un negozio. La combinazione del riconoscimento e della 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, è l'attenzione che dedica agli oggetti 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 sotto l'etichetta "volto"). La segmentazione di istanze fa un passo avanti, 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: identifica e classifica gli oggetti, indicandone al contempo la posizione. Questo lo rende ideale per attività in tempo reale, come rilevare volti nei filmati di videosorveglianza o individuare ostacoli per i veicoli autonomi.

Applicazioni di Ultralytics YOLO11 e del rilevamento degli oggetti#

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

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

Ultralytics YOLO11 e il rilevamento degli oggetti stanno ridefinendo l'analisi nel commercio al dettaglio, rendendo più efficienti e precise la gestione delle scorte e il monitoraggio degli scaffali. La capacità del modello di rilevare gli oggetti in modo rapido e affidabile aiuta i rivenditori a monitorare le 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 commerciante dovrebbe monitorare uno scaffale? Tenere gli scaffali riforniti e ordinati è fondamentale affinché i clienti possano trovare ciò che cercano, con un impatto diretto sulle vendite. Monitorando gli scaffali in tempo reale, i commercianti possono individuare rapidamente gli articoli in esaurimento, fuori posto o ammassati, mantenendo così un'esposizione ordinata e accattivante che migliora l'esperienza d'acquisto.

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

Ultralytics YOLO11 nelle applicazioni per le città intelligenti#

Una città vivace ha bisogno di un flusso del traffico regolare e di strade sicure per funzionare in modo efficiente, e Ultralytics YOLO11 può contribuire a raggiungere questo obiettivo. Molte applicazioni per le città intelligenti, infatti, possono essere integrate con YOLO11.

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

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

Le informazioni fornite 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 cittadine. Per esempio, può contribuire a ottimizzare la temporizzazione 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.

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

Il rilevamento di oggetti in tempo reale consiste nella capacità di un sistema di identificare e classificare gli oggetti man mano che compaiono in un flusso video dal vivo. Ultralytics YOLO11 è progettato per offrire prestazioni in tempo reale e supporta efficacemente questa funzionalità. Le sue applicazioni vanno oltre l'ottimizzazione dei processi: può anche contribuire a creare un mondo più inclusivo e accessibile.

Per esempio, YOLO11 può aiutare le persone con disabilità visive identificando gli oggetti in tempo reale. In base agli oggetti rilevati, è possibile fornire descrizioni audio che aiutano gli utenti a orientarsi nell'ambiente circostante con maggiore autonomia.

Immagina una persona con disabilità visiva che fa la spesa. Scegliere gli articoli giusti può essere difficile, ma Ultralytics YOLO11 può aiutarla. Mentre mette gli articoli nel carrello, un sistema integrato con YOLO11 può 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 oggetti di uso quotidiano, YOLO11 può semplificare la spesa.

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

Guida passo passo al rilevamento degli oggetti con Ultralytics YOLO11#

Ora che abbiamo visto le basi del rilevamento di oggetti e le sue numerose applicazioni, scopriamo come iniziare a usare il modello Ultralytics YOLO11 per attività come il rilevamento di oggetti.

Puoi usare YOLO11 in due modi semplici: tramite il pacchetto Python di Ultralytics o Ultralytics HUB. Vediamo entrambi i metodi, a partire dal pacchetto Python.

Esecuzione di inferenze con Ultralytics YOLO11#

L'inferenza è il processo mediante il quale un modello di AI analizza dati nuovi e mai visti prima per fare previsioni, classificare informazioni o fornire indicazioni sulla base di ciò che ha appreso durante l'addestramento. Nel rilevamento di oggetti, ciò significa identificare e localizzare oggetti specifici in un'immagine o in un video, disegnare riquadri di delimitazione attorno a essi e assegnare loro un'etichetta in base all'addestramento del modello.

Per eseguire inferenze con il modello YOLO11 per il rilevamento di oggetti, devi prima installare il pacchetto Python Ultralytics tramite pip, conda o Docker. Se riscontri problemi durante l'installazione, consulta la guida alla risoluzione dei problemi per suggerimenti e consigli utili. Una volta installato, puoi usare il codice seguente per caricare il modello di rilevamento di oggetti YOLO11n e fare previsioni su un'immagine.

Fig. 6. Esecuzione di un'inferenza su un'immagine con 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 personalizzarlo affinché rilevi gli oggetti rilevanti per il tuo progetto. Ad esempio, quando usi la visione artificiale in ambito sanitario, un modello YOLO11 addestrato su misura può rilevare anomalie specifiche nelle immagini mediche, come tumori nelle risonanze magnetiche 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 di oggetti. Puoi partire da un file di configurazione YAML o da un modello preaddestrato, trasferire i pesi e addestrarlo su dataset come COCO per ottenere capacità di rilevamento degli oggetti più efficaci.

from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo11n.yaml")  # crea un nuovo modello da YAML
model = YOLO("yolo11n.pt")  # carica un modello preaddestrato (consigliato per l'addestramento)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # crea da YAML e trasferisci i pesi

# Addestra il modello
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Dopo aver addestrato un modello, puoi anche esportarlo in diversi formati per distribuirlo in ambienti differenti.

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 per addestrare e distribuire modelli YOLO, incluso YOLO11.

Per rilevare oggetti nelle immagini, crea un account, vai alla sezione ‘Models’ e seleziona la variante del modello di rilevamento di oggetti Ultralytics YOLO11. Carica la tua immagine e la piattaforma mostrerà gli oggetti rilevati in un'area di anteprima.

Fig. 7. Esecuzione di inferenze su Ultralytics HUB.

Combinando la flessibilità del pacchetto Python con la facilità d'uso dell'HUB, Ultralytics YOLO11 semplifica l'uso del rilevamento avanzato di oggetti per sviluppatori e aziende.

Punti chiave#

Ultralytics YOLO11 combina un'elevata precisione e versatilità per soddisfare le esigenze di diversi settori. Dal miglioramento dell'analisi nel commercio al dettaglio alla gestione delle infrastrutture delle città intelligenti, YOLO11 è progettato per offrire prestazioni affidabili in tempo reale in numerose applicazioni.

Grazie alle opzioni di addestramento personalizzato e a un'interfaccia facile da usare tramite Ultralytics HUB, integrare YOLO11 nei tuoi flussi di lavoro è semplice. Che tu sia uno sviluppatore interessato alla visione artificiale o un'azienda che vuole innovare con l'AI, YOLO11 offre gli strumenti necessari per iniziare.

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