Image Classification

La classificazione delle immagini è un'attività di visione artificiale in cui un modello esamina un'intera immagine e le assegna un'etichetta tra un insieme fisso di classi, insieme a un punteggio di confidenza per ogni classe. Risponde alla domanda «che cosa rappresenta questa immagine?»: un gatto o un cane, un prodotto difettoso o buono, polmonite o normalità. È la più semplice delle attività fondamentali di visione e anche la base delle altre, perché i backbone prima addestrati a classificare immagini su grandi dataset vengono riutilizzati come estrattori di caratteristiche per il rilevamento e la segmentazione tramite apprendimento per trasferimento.

Come funziona la classificazione delle immagini#

Un classificatore trasforma i pixel in probabilità di appartenenza a una classe in tre fasi. Un backbone, costituito da una rete neurale convoluzionale (CNN) o da un vision transformer (ViT), estrae le caratteristiche livello dopo livello, passando dai bordi e dalle texture dei primi livelli alle parti degli oggetti e agli oggetti interi nei livelli più profondi. Un'operazione di pooling comprime le mappe di caratteristiche finali in un unico vettore che riassume l'intera immagine. Un livello completamente connesso produce quindi un punteggio, o logit, per ogni classe, e la funzione softmax converte i punteggi in probabilità la cui somma è 1.

I modelli apprendono questa mappatura tramite apprendimento supervisionato su immagini etichettate, minimizzando la loss di entropia incrociata tra le probabilità previste e la classe reale. La classificazione a etichetta singola (multiclasse) seleziona esattamente una classe per immagine con softmax. La classificazione multilabel, usata quando un'immagine può mostrare più elementi contemporaneamente, calcola il punteggio di ogni classe in modo indipendente con una sigmoide e mantiene tutte le classi al di sopra di una soglia.

I modelli di classificazione Ultralytics YOLO26, contraddistinti dal suffisso -cls, sono classificatori a etichetta singola preaddestrati su ImageNet a 224×224 pixel; il più piccolo, YOLO26n-cls, raggiunge il 71,4% di precisione top-1 con 2,8 milioni di parametri. Si addestrano su qualsiasi dataset organizzato come una cartella di immagini per classe:

from ultralytics import YOLO

# Load a YOLO26 classification model pretrained on the 1,000 ImageNet classes
model = YOLO("yolo26n-cls.pt")

# Classify the whole image
results = model("https://ultralytics.com/images/bus.jpg")
probs = results[0].probs

# Show the five most likely classes and their softmax probabilities
for class_id, confidence in zip(probs.top5, probs.top5conf.tolist()):
    print(f"{results[0].names[class_id]}: {confidence:.2f}")

Le cinque probabilità provengono da un'unica softmax applicata a tutte le 1.000 classi, quindi indicano quanto il modello sia sicuro della sua scelta principale rispetto a classi simili.

Classificazione, rilevamento e segmentazione a confronto#

La classificazione descrive l'intera immagine e non fornisce informazioni sulla posizione o sul numero degli elementi:

• Rilevamento di oggetti: individua e classifica ogni oggetto, localizzandolo con una bounding box, così può contare tre auto in una foto.
• Segmentazione delle immagini: assegna etichette ai pixel, tracciando il contorno esatto di ogni oggetto o regione.
• Riconoscimento delle immagini: termine generico più ampio per identificare i contenuti delle immagini, spesso usato impropriamente come sinonimo di classificazione.

La scelta dipende da quanto dettaglio spaziale richiede un'applicazione:

Applicazioni nel mondo reale#

• Ispezione nella produzione: le telecamere sulla linea di produzione fotografano ogni componente e un classificatore lo etichetta come conforme o non conforme, in modo che gli articoli difettosi vengano scartati automaticamente.
• Triage medico: i modelli classificano radiografie toraciche, foto di lesioni cutanee e scansioni retiniche come normali o anomale, così i medici possono esaminare prima i casi urgenti.
• Agricoltura: gli agricoltori fotografano le foglie con un telefono e un classificatore identifica le malattie delle colture o le carenze nutrizionali.
• Organizzazione dei contenuti: le raccolte fotografiche e i marketplace etichettano milioni di immagini in base alla scena e alla categoria di prodotto, per consentirne la ricerca e la moderazione.

Benchmark e modelli#

I classificatori vengono confrontati in base all'accuratezza top-1, ovvero la percentuale di immagini in cui la classe con la probabilità più alta è corretta, e all'accuratezza top-5, ovvero la percentuale di immagini in cui la classe corretta compare tra le cinque più probabili. La classificazione moderna si è sviluppata a partire dalla sfida ImageNet di riconoscimento visivo su larga scala, il cui sottoinsieme di 1.000 classi, con circa 1,28 milioni di immagini di addestramento, rimane il benchmark standard. Nel 2012, AlexNet ha ridotto il tasso di errore top-5 al 15,3%, rispetto al 26,2% del secondo classificato, dando inizio all'era dell'apprendimento profondo nella visione artificiale. Nel 2015, ResNet ha reso addestrabili reti con più di 100 strati, e nel 2020 i Transformer visivi hanno dimostrato che i modelli basati sull'attenzione eguagliano o superano le CNNs una volta preaddestrati su un numero di immagini compreso tra 14 e 300 milioni.