Como usar Ultralytics YOLO11 para classificação de imagens

Suponhamos que um robô esteja a observar dois gatos, um preto e um branco, e precise de descobrir qual é qual. Para isso, pode usar a classificação de imagens, uma tarefa de visão computacional que ajuda a identificar e categorizar objetos ou cenas numa imagem. Na verdade, graças aos avanços recentes na inteligência artificial (AI), a classificação de imagens pode ser utilizada numa grande variedade de aplicações, desde a monitorização de animais até à indústria transformadora e à agricultura, com a deteção de doenças nas culturas.

Um dos avanços mais recentes na classificação de imagens é o modelo Ultralytics YOLO11. Apresentado no evento híbrido anual da Ultralytics, o YOLO Vision 2024 (YV24), o YOLO11 foi concebido para lidar com uma grande variedade de tarefas de IA para visão, incluindo a classificação de imagens, com facilidade e precisão.

Neste artigo, vamos explorar os fundamentos da classificação de imagens, abordar aplicações do mundo real e mostrar-te como podes usar o YOLO11 para classificação de imagens através do pacote Python da Ultralytics. Também veremos como podes experimentar as capacidades do YOLO11 no Ultralytics HUB em poucos passos simples. Vamos começar!

Fig. 1. Um exemplo da utilização do Ultralytics YOLO11 para classificar um gato persa.

O que é a classificação de imagens?#

A classificação de imagens funciona atribuindo uma etiqueta ou tag a uma imagem com base em padrões aprendidos a partir de imagens previamente etiquetadas. Ao analisar cuidadosamente os píxeis de uma imagem, um modelo de visão computacional pode encontrar a melhor correspondência para a imagem. Modelos fiáveis como o Ultralytics YOLO11 conseguem realizar este processo sem problemas. A arquitetura do modelo YOLO11 permite processar imagens ou fotogramas de vídeo quase instantaneamente, tornando-o ideal para aplicações que necessitam de uma classificação de imagens rápida e precisa.

Para compreender verdadeiramente o alcance da classificação de imagens, é útil distingui-la de outras tarefas, como a deteção de objetos. Enquanto a classificação de imagens etiqueta uma imagem inteira, a deteção de objetos identifica e localiza cada objeto presente na imagem.

Fig. 2. Uma comparação entre classificação de imagens, deteção de objetos e segmentação de imagens.

Consideremos uma imagem de uma girafa. Na classificação de imagens, o modelo pode etiquetar simplesmente a imagem inteira como uma girafa, com base no seu conteúdo geral. No entanto, com a deteção de objetos, o modelo não se limita a identificar a girafa; também coloca uma caixa delimitadora à sua volta, indicando a sua localização exata na imagem.

Agora, imagina a girafa de pé junto a uma árvore numa savana com outros animais. Um modelo de classificação de imagens pode etiquetar toda a cena como uma savana ou simplesmente como vida selvagem. No entanto, com a deteção de objetos, o modelo identificaria cada elemento individualmente, reconhecendo a girafa, a árvore e os outros animais, cada um com a sua própria caixa delimitadora.

Aplicações da classificação de imagens com o Ultralytics YOLO11#

A precisão e o desempenho do modelo Ultralytics YOLO11 para classificação de imagens tornam-no útil em vários setores. Vamos explorar algumas das principais aplicações do YOLO11 na classificação de imagens.

Classificação de imagens com o Ultralytics YOLO11 na agricultura#

A classificação de imagens pode ajudar a simplificar muitas funções no setor da agricultura. Mais especificamente, ao utilizar modelos de classificação de imagens como o YOLO11, os agricultores podem monitorizar continuamente a saúde das suas culturas, detetar doenças graves e identificar quaisquer infestações de pragas com elevada precisão.

Vê como isto funciona:

• Captura de imagens: dispositivos da Internet das Coisas (IoT), como câmaras e drones, podem ser instalados para captar imagens em tempo real das culturas, a partir de vários ângulos e localizações nos campos.
• Processamento: dependendo dos recursos e da conectividade disponíveis, as imagens podem ser processadas no local através de computação de edge ou carregadas para a cloud para uma análise mais intensiva.
• Classificação de imagens com o YOLO11: o modelo YOLO11 pode analisar estas imagens para classificar várias condições das culturas. As classes comuns podem incluir saudável, doente, infestado por pragas ou com deficiência nutricional, ajudando a identificar problemas específicos que afetam diferentes áreas do campo.
• Geração de informações: com base nas classificações, o Ultralytics YOLO11 fornece informações sobre indicadores da saúde das culturas, ajudando os agricultores a detetar sinais precoces de doenças, identificar zonas com maior concentração de pragas ou detetar deficiências nutricionais.
• Tomada de decisões informada: com estas informações, os agricultores podem tomar decisões direcionadas sobre irrigação, fertilização e controlo de pragas, aplicando recursos apenas onde são mais necessários.

Fig. 3. Um exemplo de diferentes classes de folhas, de saudáveis a infetadas.

Classificação de imagens com o Ultralytics YOLO11 no retalho#

A classificação de imagens pode melhorar significativamente a experiência de compras no retalho, tornando-a mais personalizada e fácil de utilizar. Os retalhistas podem utilizar modelos de visão computacional treinados à medida para reconhecer produtos no seu inventário e integrar esta capacidade nas suas aplicações móveis ou websites. Os clientes podem então procurar produtos simplesmente carregando uma fotografia, tornando as compras mais rápidas e convenientes.

Quando um cliente carrega uma imagem para um sistema de pesquisa visual, várias operações acontecem em segundo plano antes de os resultados da pesquisa aparecerem.

Primeiro, pode utilizar-se a deteção de objetos para identificar os elementos principais da imagem, como uma peça de roupa ou uma peça de mobiliário, separando-a do fundo. Em seguida, a classificação de imagens pode ser utilizada para categorizar melhor cada elemento, reconhecendo se é um casaco, uma camisa, um sofá ou uma mesa.

Com estas informações, o sistema pode apresentar produtos semelhantes disponíveis para compra, o que é especialmente útil para encontrar artigos únicos ou em tendência que são difíceis de descrever apenas com palavras. A mesma tecnologia também pode ajudar a simplificar outras tarefas de retalho, como a gestão de inventário, através do reconhecimento e da categorização automáticos dos artigos.

Fig. 4. Uma plataforma de pesquisa visual baseada em classificação de imagens em funcionamento.

Monitorização da vida selvagem com classificação de imagens do Ultralytics YOLO11#

Tradicionalmente, monitorizar animais selvagens é uma tarefa morosa que envolve muitas pessoas a organizar e analisar manualmente milhares de fotografias. Com modelos de visão computacional como o Ultralytics YOLO11, os investigadores podem monitorizar automaticamente os animais a um ritmo mais rápido. Podem colocar-se câmaras em habitats naturais para tirar fotografias. O modelo de IA para visão pode então ser utilizado para analisar essas fotografias e classificar os animais nelas presentes, caso existam. Um sistema deste tipo pode ajudar os investigadores a estudar e acompanhar populações de animais, os seus padrões de migração, etc.

Outra forma de modelos de IA e visão computacional como o Ultralytics YOLO11 ajudarem neste campo é simplificando o processo de classificação de espécies ameaçadas. Ao identificar as possíveis espécies ou categorias de raças a que um animal pode pertencer, estes modelos podem fornecer dados essenciais aos investigadores. Por exemplo, a Universidade da Tasmânia (UTAS) desenvolveu um sistema baseado na classificação de imagens para monitorizar diferentes espécies da vida selvagem da Tasmânia. As previsões dos modelos podem então ajudar cientistas e investigadores a acompanhar a atividade e o comportamento dos animais, que podem indicar ameaças como a caça furtiva ou a perda de habitat.

Fig. 5. Ultralytics YOLO11 a prever as possíveis raças a que um cão pode pertencer.

Experimentar a classificação de imagens com o modelo Ultralytics YOLO11#

Agora que abordámos o que é a classificação de imagens e explorámos algumas das suas aplicações, vejamos como podes experimentar a classificação de imagens com o novo modelo YOLO11. Existem duas formas simples de começar: utilizar o pacote Python da Ultralytics ou o Ultralytics HUB. Vamos analisar ambas as opções.

Execução de inferências com o Ultralytics YOLO11#

Para começar a utilizar o pacote Python da Ultralytics, basta instalá-lo através de pip, conda ou Docker. Se encontrares algum problema, consulta o nosso Guia de problemas comuns para obteres sugestões de resolução de problemas.

Depois de instalares o pacote, podes utilizar o código seguinte para carregar uma variante do modelo Ultralytics YOLO11 de classificação de imagens e executar uma inferência numa imagem. Executar uma inferência significa utilizar um modelo treinado para fazer previsões sobre dados novos e não observados. Podes experimentar com uma imagem à tua escolha!

Fig. 6. A executar inferências com o modelo Ultralytics YOLO11.

Treinar um modelo de classificação Ultralytics YOLO11 personalizado#

Também podes utilizar o mesmo pacote Python para treinar um modelo de classificação Ultralytics YOLO11 personalizado. O treino personalizado permite-te ajustar um modelo YOLO11 às tuas necessidades específicas. Por exemplo, se estiveres a desenvolver uma aplicação para classificar diferentes raças de gatos, podes treinar um modelo YOLO11 personalizado especificamente para esse fim.

O código abaixo mostra como carregar e treinar um modelo Ultralytics YOLO11 de classificação de imagens. Permite transferir pesos pré-treinados, utilizando o conhecimento de um modelo existente para melhorar o desempenho do teu próprio modelo. Podes especificar um dataset, como o dataset "fashion-mnist", que é um conjunto conhecido de imagens em tons de cinzento de peças de vestuário, como camisas, calças e sapatos. Treinar o modelo com este dataset ensina-o a reconhecer diferentes categorias de vestuário. Podes substituir "fashion-mnist" por qualquer dataset adequado ao teu projeto, como raças de gatos ou tipos de plantas.

Fig. 7. A treinar um modelo Ultralytics YOLO11 personalizado para classificação de imagens.

Experimenta o YOLO11 no Ultralytics HUB#

Embora a utilização do pacote Ultralytics seja simples, requer alguns conhecimentos de Python. Se procuras uma opção mais acessível para principiantes, podes utilizar o Ultralytics HUB, uma plataforma concebida para tornar o treino e a implementação de diferentes modelos YOLO simples e acessíveis. Para começar, terás de criar uma conta.

Depois de iniciares sessão, navega até à secção «Models» e seleciona o modelo Ultralytics YOLO11 para classificação de imagens. Verás vários tamanhos de modelos disponíveis: nano, small, medium, large e extra-large. Depois de escolheres um modelo, podes carregar uma imagem na secção «Preview», onde as previsões aparecerão no lado esquerdo da página assim que a imagem for processada.

Fig. 8. Utilizar o Ultralytics HUB para executar uma inferência.

Principais conclusões#

O YOLO11 oferece capacidades avançadas de classificação de imagens que abrem novas possibilidades em vários setores. Desde melhorar a monitorização das culturas na agricultura e aperfeiçoar a pesquisa de produtos no retalho até apoiar a conservação da vida selvagem, a velocidade e a precisão do YOLO11 tornam-no ideal para diversas aplicações. Com opções de treino personalizado através do pacote Python da Ultralytics ou uma configuração intuitiva sem código no Ultralytics HUB, os utilizadores podem integrar facilmente o YOLO11 nos seus fluxos de trabalho. À medida que mais setores adotam soluções de IA, o YOLO11 oferece uma ferramenta flexível e de alto desempenho que apoia a inovação e os avanços práticos.

Para saberes mais, visita o nosso repositório no GitHub e participa na nossa comunidade. Explora aplicações de IA em carros autónomos e cuidados de saúde nas nossas páginas de soluções. 🚀