Image Recognition

Il riconoscimento delle immagini è il termine generico per indicare il software che identifica ciò che un'immagine contiene: oggetti, persone, luoghi, testo o azioni. Nell'uso quotidiano è sinonimo di classificazione delle immagini, che assegna a un'intera immagine un'etichetta come «golden retriever» o «polmonite». Nella ricerca, «riconoscimento visivo» comprende la famiglia più ampia di attività che identificano i contenuti delle immagini, come nella ImageNet Large Scale Visual Recognition Challenge, svoltasi dal 2010 al 2017 con competizioni di classificazione, localizzazione e rilevamento di oggetti.

Come funziona il riconoscimento delle immagini#

Un modello di riconoscimento trasforma i pixel in una descrizione compatta e poi la confronta con ciò che conosce. Un backbone, costituito da una rete neurale convoluzionale (CNN) o da un vision transformer (ViT), estrae 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, e le aggrega in un vettore di caratteristiche, o embedding. Il passaggio successivo dipende da come viene definito l'insieme delle risposte possibili:

Una testa di classificazione addestrata con apprendimento supervisionato su immagini etichettate, come le 1,28 milioni di immagini di addestramento delle 1.000 classi di ImageNet, seleziona la classe più probabile tra quelle predefinite. Il riconoscimento facciale e dei prodotti confronta l'embedding con una raccolta di esempi archiviati, consentendo di aggiungere nuove persone o nuovi prodotti senza riaddestrare il modello. I modelli zero-shot, come CLIP di OpenAI, incorporano immagini e testo nello stesso spazio e riconoscono qualsiasi categoria che possa essere espressa come prompt testuale.

Prima del deep learning, i sistemi di riconoscimento fornivano classificatori quali le macchine a vettori di supporto con caratteristiche progettate manualmente, come i keypoint SIFT e gli istogrammi dei gradienti orientati. Nel 2012, AlexNet ridusse l'errore top-5 su ImageNet dal 26,2% del secondo classificato al 15,3%, e da allora le caratteristiche apprese hanno dominato il settore.

Tipi di riconoscimento delle immagini#

• Classificazione delle immagini: un'etichetta, o più etichette nella classificazione multilabel, per l'intera immagine.
• Rilevamento di oggetti: un'etichetta e una bounding box per ogni oggetto, quindi una foto con tre cani produce tre risultati.
• Riconoscimento facciale: identifica o verifica una persona specifica confrontando un embedding facciale con i volti registrati.
• Riconoscimento ottico dei caratteri (OCR): legge il testo stampato o scritto a mano in un'immagine e lo converte in caratteri leggibili da una macchina.
• Riconoscimento delle azioni: identifica le azioni delle persone nei diversi fotogrammi di un video.

YOLO26 gestisce le prime due forme: i suoi modelli -cls assegnano a un'intera immagine una delle 1.000 classi di ImageNet, mentre i suoi modelli di rilevamento assegnano un nome e una posizione a ogni oggetto. Questo esempio esegue entrambi sulla stessa foto:

from ultralytics import YOLO

image = "https://ultralytics.com/images/bus.jpg"

# Riconoscimento a livello di immagine: un'etichetta per l'intera immagine
classifier = YOLO("yolo26n-cls.pt")
results = classifier(image)
result = results[0]
print("Image label:", result.names[result.probs.top1])

# Riconoscimento a livello di oggetto: un'etichetta per ogni oggetto individuato
detector = YOLO("yolo26n.pt")
results = detector(image)
result = results[0]
print("Objects:", [result.names[int(c)] for c in result.boxes.cls])

Il classificatore restituisce un'unica etichetta ImageNet per l'intera foto, mentre il rilevatore restituisce un'etichetta COCO per ogni oggetto individuato.

Applicazioni nel mondo reale#

• Analisi delle immagini mediche: i modelli classificano radiografie toraciche, foto della pelle e scansioni retiniche come normali o anomale, così i medici possono esaminare prima i casi urgenti.
• Commercio al dettaglio: il riconoscimento dei prodotti abbina gli articoli sugli scaffali o alle casse a un catalogo di immagini di prodotti, inclusi quelli aggiunti dopo l'addestramento del modello.
• Produzione: le telecamere sulla linea individuano i componenti difettosi e quelli errati o mancanti prima del confezionamento.
• Accessibilità: gli screen reader e le app per telefoni descrivono le foto e leggono ad alta voce i cartelli per le persone cieche o ipovedenti.

Riconoscimento oltre le etichette fisse#

I classificatori con etichette fisse riconoscono solo le classi per cui sono stati addestrati; per aggiungerne una bisogna raccogliere immagini etichettate e riaddestrare il modello. I modelli addestrati su coppie immagine-testo superano questo limite e i modelli visione-linguaggio lo estendono alla descrizione delle scene e alla risposta a domande al riguardo. CLIP, addestrato su 400 milioni di coppie immagine-testo provenienti da Internet, ha eguagliato in modalità zero-shot l'accuratezza su ImageNet del modello ResNet-50 originale, senza utilizzare nessuna delle 1,28 milioni di immagini etichettate su cui ResNet-50 era stato addestrato.