Classificazione delle immagini

La classificazione delle immagini è un compito fondamentale della computer vision (CV) che prevede l'assegnazione di una singola un'unica etichetta o categoria a un'intera immagine digitale in base al suo contenuto visivo. Questo processo consente alle macchine di "vedere" e interpretare il mondo riconoscendo modelli, oggetti o scene all'interno dei dati visivi. Come componente componente dell'intelligenza intelligenza artificiale (AI), serve come come elemento costitutivo di sistemi di riconoscimento visivo più complessi, consentendo ai sistemi automatizzati di classificare in modo efficiente vaste di informazioni visive in modo efficiente.

Come funziona la classificazione delle immagini

A livello tecnico, la classificazione delle immagini si basa su algoritmi di algoritmi di apprendimento automatico (ML), in particolare modelli di apprendimento profondo (DL) noti come reti neurali convoluzionali (CNN). Queste reti sono progettate per elaborare i dati dei pixel ed effettuare automaticamente estrazione di caratteristiche, identificando attributi di basso livello attributi di basso livello come bordi e texture nei primi livelli e forme complesse nei livelli più profondi.

Il processo segue tipicamente un approccio di apprendimento supervisionato:

1. Addestramento: Il modello viene alimentato con un set di dati etichettati, come ad esempio ImageNetcontenente migliaia o milioni di immagini con categorie note.
2. Apprendimento: Attraverso la retropagazione, la rete backpropagation, la rete regola i pesi del modello interno per minimizzare gli errori di previsione. modello interno per minimizzare gli errori di previsione.
3. Inferenza: Una volta addestrato, il modello può analizzare nuove immagini non viste e produrre un punteggio di probabilità per ogni classe. per ogni classe utilizzando una funzione softmax. La categoria con la probabilità più alta viene assegnata come etichetta finale.

Quadri popolari come PyTorch e TensorFlow forniscono gli strumenti necessari per costruire e addestrare queste architetture sofisticate.

Differenziare la classificazione dai compiti correlati

La classificazione delle immagini risponde alla domanda "Che cosa c'è in questa immagine?", ma spesso viene confusa con altri compiti di compiti di computer vision. Capire le distinzioni è fondamentale per scegliere lo strumento giusto per un progetto:

• Rilevamento dell'oggetto: A differenza della classificazione, che etichetta l'intera immagine, il rilevamento degli oggetti identifica dove si trovano gli oggetti. oggetti. Disegna un riquadro di delimitazione attorno a ciascun oggetto e li classifica singolarmente.
• Segmentazione delle immagini: Offre una precisione a livello di pixel. La segmentazione semantica classifica ogni ogni pixel in una categoria (ad esempio, strada vs. cielo), mentre la segmentazione di istanza distingue tra singoli oggetti della stessa classe.

Applicazioni nel mondo reale

La classificazione delle immagini è onnipresente in tutti i settori industriali, in quanto favorisce l'automazione e migliora i processi decisionali.

1. Imaging medico e assistenza sanitaria

Nel campo dell'analisi delle immagini mediche, i modelli di classificazione assistono i radiologi nello screening preliminare delle scansioni. Ad esempio, gli algoritmi possono classify le radiografie del torace o le risonanze magnetiche come "normali" o "anormali". risonanza magnetica del torace come "normali" o "anormali", segnalando potenziali problemi come la polmonite o i tumori per un esame prioritario. per una revisione prioritaria. Una ricerca del National Institutes of Health (NIH) dimostra come l'IA aiuta nella diagnosi precoce delle malattie, migliorando significativamente i risultati dei pazienti. Per saperne di più sul nostro lavoro di rilevamento dei tumori con YOLO11.

2. Agricoltura intelligente

L'agricoltura di precisione utilizza la classificazione delle immagini per monitorare la salute delle colture. I droni dotati di telecamere catturano immagini dei campi, che vengono poi analizzate per classify piante come sane, carenti di nutrienti o malate. In questo modo è possibile interventi mirati, riducendo l'uso di prodotti chimici e aumentando la resa. Il Dipartimento dell'Agricoltura degli Stati Uniti (USDA) sottolinea come queste tecnologie promuovano pratiche agricole sostenibili. Scoprite come Ultralytics supporta AI in agricoltura per rivoluzionare l'agricoltura moderna. agricoltura moderna.

Implementazione della classificazione con YOLO11

Sebbene sia famoso per il rilevamento, il Ultralytics YOLO11 è anche molto efficiente per i compiti di classificazione delle immagini. Offre un equilibrio tra velocità e precisione, rendendola adatta ad applicazioni in tempo reale.

Ecco un esempio conciso di come utilizzare un modello YOLO11 pre-addestrato per classify un'immagine utilizzando il metodo ultralytics Pacchetto Python :

from ultralytics import YOLO

# Load a pre-trained YOLO11 classification model
model = YOLO("yolo11n-cls.pt")

# Run inference on an external image URL
results = model("https://ultralytics.com/images/bus.jpg")

# Print the top predicted class name
print(f"Predicted class: {results[0].names[results[0].probs.top1]}")

Per gli utenti che desiderano creare soluzioni personalizzate, è possibile modelli personalizzati su insiemi di dati specifici utilizzando la stessa semplice API. Sia che si tratti di distribuire su dispositivi edge utilizzando strumenti come OpenCV o di scalare con l'infrastruttura cloud, i moderni modelli di classificazione offrono la versatilità necessaria per i diversi scenari di scenari di distribuzione.