Como utilizar Ultralytics YOLO11 para classificação de imagens

Imagina que um robô está a olhar para dois gatos, um preto e outro branco, e precisa de perceber 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. Graças aos avanços recentes na inteligência artificial (IA), a classificação de imagens pode ser usada em várias aplicações, desde a monitorização de animais até à indústria transformadora e à agricultura, por exemplo, para detetar doenças nas culturas.

Um avanço notável na classificação de imagens é o modelo Ultralytics YOLO11. Lançado no evento híbrido anual da Ultralytics, o YOLO Vision 2024 (YV24), o YOLO11 foi desenvolvido para lidar com facilidade e precisão com uma ampla variedade de tarefas de IA para visão, incluindo a classificação de imagens. (Desde então, o YOLO11 foi sucedido pelo Ultralytics YOLO26, que oferece suporte às mesmas tarefas.)

Neste artigo, vamos explorar os princípios básicos da classificação de imagens, abordar aplicações do mundo real e mostrar como podes usar o YOLO11 para classificar imagens através do pacote Ultralytics Python. Também vamos ver como podes experimentar as capacidades do YOLO11 no Ultralytics HUB (agora Ultralytics Platform) em alguns passos simples. Vamos começar!

Fig. 1. Exemplo de uso do Ultralytics YOLO11 para classificar um gato persa.

O que é classificação de imagens?#

A classificação de imagens atribui um rótulo ou etiqueta a uma imagem com base em padrões aprendidos a partir de imagens previamente rotuladas. Ao analisar cuidadosamente os píxeis de uma imagem, um modelo de visão computacional consegue encontrar a correspondência mais adequada. Modelos fiáveis como o Ultralytics YOLO11 conseguem realizar este processo com eficiência. A arquitetura do YOLO11 permite processar imagens ou fotogramas de vídeo quase instantaneamente, tornando-o ideal para aplicações que exigem classificação de imagens rápida e precisa.

Para entender realmente o alcance da classificação de imagens, é útil distingui-la de outras tarefas, como a deteção de objetos. Enquanto a classificação de imagens atribui um rótulo à imagem inteira, a deteção de objetos identifica e localiza cada objeto dentro da imagem.

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

Considera uma imagem de uma girafa. Na classificação de imagens, o modelo pode atribuir à imagem inteira o rótulo «girafa», com base no seu conteúdo geral. No entanto, na deteção de objetos, o modelo não se limita a identificar a girafa: também desenha uma caixa delimitadora à sua volta, indicando a sua localização exata na imagem.

Agora, imagina a girafa junto a uma árvore numa savana com outros animais. Um modelo de classificação de imagens pode classificar toda a cena como uma savana ou simplesmente como vida selvagem. Com a deteção de objetos, porém, o modelo identifica cada elemento individualmente, reconhecendo a girafa, a árvore e os outros animais, cada um com a sua própria caixa delimitadora.

Aplicações de classificação de imagens com Ultralytics YOLO11#

A precisão e o desempenho do modelo Ultralytics YOLO11 na 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 Ultralytics YOLO11 na agricultura#

A classificação de imagens pode ajudar a simplificar muitas atividades na agricultura. Mais especificamente, usando modelos de classificação de imagens como o YOLO11, os agricultores podem monitorizar continuamente a saúde das culturas, detetar doenças graves e identificar infestações de pragas com elevada precisão.

Vê como funciona:

• Captura de imagens: Dispositivos da Internet das Coisas (IoT), como câmaras e drones, podem ser utilizados para captar imagens das culturas em tempo real, a partir de vários ângulos e locais dos campos.
• Processamento: Dependendo dos recursos disponíveis e da conectividade, as imagens podem ser processadas no local por meio da computação de borda ou enviadas para a nuvem para uma análise mais intensiva.
• Classificação de imagens com YOLO11: O modelo YOLO11 pode analisar essas imagens para classificar diferentes condições das culturas. As classes comuns podem incluir saudável, doente, infestada por pragas ou com deficiência de nutrientes, ajudando a identificar problemas específicos que afetam diferentes áreas do campo.
• Geração de insights: Com base nas classificações, o Ultralytics YOLO11 fornece insights sobre indicadores de saúde das culturas, ajudando os agricultores a detectar sinais precoces de doenças, identificar focos de pragas ou perceber deficiências de nutrientes.
• Tomada de decisões informadas: Com esses insights, os agricultores podem tomar decisões direcionadas sobre irrigação, fertilização e controle de pragas, aplicando recursos apenas onde são mais necessários.

Fig. 3. Exemplo de diferentes classes de folhas, desde saudáveis até infetadas.

Classificação de imagens com Ultralytics YOLO11 no retalho#

A classificação de imagens pode melhorar significativamente a experiência de compra no varejo, tornando-a mais personalizada e fácil de usar. Os varejistas podem usar modelos de visão computacional treinados sob medida para reconhecer os produtos do seu inventário e integrar essa capacidade aos aplicativos móveis ou sites. Assim, os clientes podem pesquisar produtos simplesmente enviando uma foto, tornando as compras mais rápidas e convenientes.

Quando um cliente carrega uma imagem num sistema de pesquisa visual, acontecem várias coisas nos bastidores antes de os resultados da pesquisa serem apresentados.

Primeiro, a detecção de objetos pode ser usada para identificar os principais itens na imagem, como uma peça de roupa ou um móvel, e separá-los do plano de fundo. Em seguida, a classificação de imagens pode ser usada para categorizar melhor cada item, 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 da moda que são difíceis de descrever apenas com palavras. A mesma tecnologia também pode ajudar a simplificar outras tarefas do retalho, como a gestão de inventário, reconhecendo e categorizando artigos automaticamente.

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

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

Tradicionalmente, monitorar animais na natureza é uma tarefa tediosa que envolve muitas pessoas classificando e analisando manualmente milhares de fotos. Com modelos de visão computacional como o Ultralytics YOLO11, pesquisadores podem monitorar animais automaticamente e com mais rapidez. Câmeras podem ser instaladas em habitats naturais para tirar fotos. Em seguida, o modelo de IA visual pode analisar essas fotos e classificar os animais presentes (se houver). Esse sistema pode ajudar pesquisadores a estudar e acompanhar populações de animais e seus padrões de migração.

Outra forma pela qual modelos de IA e visão computacional como o Ultralytics YOLO11 podem ajudar nessa área é agilizando o processo de classificação de espécies ameaçadas. Ao identificar possíveis espécies ou categorias de raças às quais um animal pode pertencer, esses modelos podem fornecer dados essenciais aos pesquisadores. Por exemplo, a University of Tasmania (UTAS) desenvolveu um sistema baseado em classificação de imagens para monitorar diferentes espécies da fauna da Tasmânia. As previsões dos modelos podem ajudar cientistas e pesquisadores a acompanhar a atividade e o comportamento dos animais, que podem indicar ameaças como caça ilegal ou 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 conversamos sobre o que é a classificação de imagens e exploramos algumas de suas aplicações, vamos ver como você pode experimentar a classificação de imagens com o YOLO11. Há duas maneiras fáceis de começar: usando o pacote Python da Ultralytics ou pelo Ultralytics HUB. Vamos explicar as duas opções.

Executando inferências com o Ultralytics YOLO11#

Para começar a usar o pacote Ultralytics para Python, basta instalá-lo com pip, conda ou Docker. Se você tiver algum problema, consulte nosso Guia de problemas comuns para ver dicas úteis de solução de problemas.

Depois de instalar o pacote, podes usar 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 usar um modelo treinado para fazer previsões sobre dados novos que ainda não viu. Experimenta com uma imagem à tua escolha!

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

Treinar um modelo personalizado de classificação Ultralytics YOLO11#

Você também pode usar o mesmo pacote Python para treinar um modelo de classificação Ultralytics YOLO11 personalizado. O treinamento personalizado permite ajustar um modelo YOLO11 às suas necessidades específicas. Por exemplo, se você estiver desenvolvendo um aplicativo para classificar diferentes raças de gatos, poderá treinar um classificador YOLO11 personalizado especificamente para esse fim.

O código abaixo mostra como carregar e treinar um modelo de classificação de imagens Ultralytics YOLO11. Ele permite transferir pesos pré-treinados, aproveitando o conhecimento de um modelo existente para melhorar o desempenho do seu próprio modelo. Você pode especificar um conjunto de dados, como o conjunto de dados "fashion-mnist", um conhecido conjunto de imagens em tons de cinza de peças de roupa (camisas, calças, sapatos etc.). Treinar o modelo com esse conjunto de dados ensina-o a reconhecer diferentes categorias de roupas. Você pode substituir "fashion-mnist" por qualquer conjunto de dados adequado ao seu projeto, como raças de gatos ou tipos de plantas.

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

Experimente o YOLO11 no Ultralytics HUB#

Embora seja simples usar o pacote Ultralytics, é necessário ter algum conhecimento de Python. Se você procura uma opção mais acessível para iniciantes, pode usar o Ultralytics HUB, uma plataforma criada para tornar o treinamento e a implantação de diferentes modelos YOLO simples e acessíveis. Para começar, você precisará criar uma conta.

Depois de entrar na sua conta, acesse a seção ‘Models’ e selecione o modelo Ultralytics YOLO11 para classificação de imagens. Você verá vários tamanhos de modelo disponíveis: nano, pequeno, médio, grande e extragrande. Depois de escolher um modelo, você pode enviar uma imagem na seção ‘Preview’. Quando o processamento da imagem terminar, as previsões aparecerão no lado esquerdo da página.

Fig. 8. Usar a Ultralytics HUB para executar uma inferência.

Principais conclusões#

O YOLO11 oferece recursos poderosos de classificação de imagens que abrem novas possibilidades em vários setores. Da melhoria do monitoramento de culturas na agricultura e do aprimoramento das buscas de produtos no varejo ao apoio à conservação da vida selvagem, a velocidade e a precisão do YOLO11 o tornam ideal para diversas aplicações. Com opções de treinamento personalizado pelo pacote Ultralytics para Python ou uma configuração intuitiva sem código no Ultralytics HUB, os usuários podem incorporar facilmente o YOLO11 aos seus fluxos de trabalho. À medida que mais setores adotam a IA, o YOLO11 oferece uma opção flexível e rápida para classificação de imagens.

Para saber mais, visite nosso repositório no GitHub e participe da nossa comunidade. Explore aplicações de IA em carros autônomos e saúde nas páginas das nossas soluções.