Como usar o Ultralytics YOLO11 para classificação de imagens

Digamos que um robot está a olhar para dois gatos, um preto e um branco, e precisa de descobrir qual é qual. Para o fazer, podes usar a image classification, uma computer vision task que ajuda a identificar e categorizar objetos ou cenas numa imagem. De facto, graças aos recentes avanços na artificial intelligence (AI), a image classification pode ser usada numa grande variedade de aplicações, desde o animal monitoring até à produção e à agricultura com a crop disease detection.

Um dos avanços mais recentes na image classification é o Ultralytics YOLO11 model. Lançado no Ultralytics' annual hybrid event, o YOLO Vision 2024 (YV24), o YOLO11 foi concebido para lidar com uma grande variedade de tarefas de vision AI, incluindo a image classification, com facilidade e precisão.

Neste artigo, vamos explorar os fundamentos da image classification, discutir aplicações do mundo real e mostrar-te como podes usar o YOLO11 para image classification através do Ultralytics Python package. Também vamos ver como podes experimentar as capacidades do YOLO11’s no Ultralytics HUB em alguns passos simples. Vamos começar!

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

O que é classificação de imagens?#

A classificação de imagens funciona atribuindo um rótulo ou etiqueta a uma imagem com base em padrões aprendidos de imagens previamente rotuladas. Ao analisar cuidadosamente os pixels de uma imagem, um modelo de visão computacional consegue encontrar a melhor correspondência para a imagem. Modelos confiáveis como o Ultralytics YOLO11 lidam com esse processo de forma integrada. A arquitetura de modelo do YOLO11 torna possível processar imagens ou quadros de vídeo quase instantaneamente, o que o torna ideal para aplicações que precisam de uma classificação de imagem rápida e precisa.

Para compreenderes verdadeiramente o âmbito da classificação de imagens, ajuda distingui-la de outras tarefas como a object detection. Enquanto a classificação de imagens etiqueta uma imagem inteira, a deteção de objetos identifica e localiza cada objeto dentro da imagem.

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

Vamos considerar a imagem de uma girafas. Na image classification, o modelo pode etiquetar toda a imagem simplesmente como uma girafa com base no seu conteúdo geral. No entanto, com a object detection, o modelo não se fica pela identificação da girafa; também coloca uma caixa delimitadora à volta da girafa, indicando a sua localização exata na imagem.

Agora, imagine a girafa parada perto de uma árvore em uma savana com outros animais. Um modelo de classificação de imagens pode rotular a cena inteira como "savana" ou apenas "vida selvagem". No entanto, com a detecção de objetos, o modelo identificaria cada elemento individualmente, reconhecendo a girafa, a árvore e os outros animais, cada um com suas próprias caixas delimitadoras.

Aplicações de classificação de imagens do Ultralytics YOLO11#

A precisão e o performance do modelo Ultralytics YOLO11 para a classificação de imagens tornam-no útil numa vasta gama de indústrias. 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 otimizar muitas funções na indústria da agriculture e das explorações agrícolas. Especificamente, ao utilizarem modelos de classificação de imagens como o YOLO11, os agricultores podem monitorizar constantemente a saúde das suas crops, detetar doenças graves e identificar quaisquer pest infestations com alta precisão.

Veja como isso funciona:

• Captura de imagem: Internet of Things (IoT) devices como cameras and drones podem ser deployed para capturar imagens de culturas em tempo real a partir de vários ângulos e localizações nos campos.
• Processing: Dependendo dos recursos disponíveis e da conectividade, as imagens podem ser processadas no local através de edge computing ou enviadas para a cloud para uma análise mais intensiva.
• Classificação de imagens com YOLO11: O modelo YOLO11 pode analisar estas imagens para classificar várias crop conditions. As classes comuns podem incluir saudável, doente, com 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 agricultores a detectar sinais precoces de doenças, identificar focos de pragas ou notar deficiências de nutrientes.
• Informed decision-making: Com estes insights, 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, desde saudáveis até infetadas.

Classificação de imagens com Ultralytics YOLO11 no varejo#

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

Depois que um cliente faz o upload de uma imagem para um sistema de busca visual, várias coisas acontecem nos bastidores antes que os resultados da busca apareçam.

Primeiro, a object detection pode ser utilizada para selecionar os principais itens na imagem, como identificar uma peça de vestuário ou um móvel e separá-lo do fundo. Em seguida, a classificação de imagens pode ser utilizada para categorizar ainda mais cada item, reconhecendo se se trata de um casaco, camisa, sofá ou mesa.

Com esta informação, o sistema pode apresentar similar products disponíveis para compra, o que é especialmente útil para encontrar artigos únicos ou na moda que são difíceis de descrever apenas com palavras. A mesma tecnologia também pode ajudar a agilizar outras tarefas de retalho, como a inventory management, ao reconhecer e categorizar automaticamente os itens.

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

Monitoramento de vida selvagem com a classificação de imagens do Ultralytics YOLO11#

Tradicionalmente, monitorar animais na natureza é uma tarefa maçante que envolve muitas pessoas classificando e analisando manualmente milhares de fotos. Com modos de visão computacional como o Ultralytics YOLO11, pesquisadores podem monitorar animais automaticamente a uma velocidade maior. Câmeras podem ser colocadas em habitats naturais para tirar fotos. O modelo de visão de IA pode então ser usado para analisar essas fotos e classificar os animais nelas presentes (se houver). Tal sistema pode ajudar pesquisadores a estudar e rastrear populações animais, seus padrões de migração, etc.

Outra forma pela qual modelos de IA e visão computacional como o Ultralytics YOLO11 podem ajudar nesta área é agilizando o processo de classificação de espécies ameaçadas. Ao identificar potenciais espécies ou categorias de raças às quais um animal pode pertencer, esses modelos podem fornecer dados essenciais para pesquisadores. Por exemplo, a Universidade da Tasmânia (UTAS) desenvolveu um sistema baseado em classificação de imagens para monitorar diferentes espécies da vida selvagem da Tasmânia. As previsões dos modelos podem então ajudar cientistas e pesquisadores a ficarem de olho na atividade e no comportamento animal, o que pode sinalizar ameaças como caça furtiva ou perda de habitat.

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

Testando a classificação de imagens com o modelo Ultralytics YOLO11#

Agora que já discutimos o que é a classificação de imagens e explorámos algumas das suas aplicações, vamos ver como podes experimentar a classificação de imagens com o novo modelo YOLO11. Existem duas formas fáceis de começar: utilizando o Ultralytics Python package ou através do Ultralytics HUB. Vamos explicar ambas as opções.

Execução de inferências com o Ultralytics YOLO11#

Para começares com o pacote Python da Ultralytics, basta install it utilizando pip, conda ou Docker. Se tiveres algum problema, consulta o nosso Common Issues Guide para obteres dicas úteis de troubleshooting tips.

Assim que o pacote estiver instalado, podes usar o seguinte código para carregar uma variante do modelo de classificação de imagens do Ultralytics YOLO11 e executar uma inferência em uma imagem. Executar uma inferência significa usar um modelo treinado para fazer previsões em dados novos e não vistos. Podes experimentar com uma imagem à tua escolha!

Fig 6. Executando inferências usando o modelo Ultralytics YOLO11.

Treinando um modelo de classificação personalizado do Ultralytics YOLO11#

Também podes usar o mesmo pacote Python para treinar um modelo de classificação Ultralytics YOLO11 personalizado. O treino personalizado permite-te ajustar finamente um modelo YOLO11 para as tuas necessidades específicas. Por exemplo, se estás a desenvolver uma aplicação para classificar diferentes raças de gatos, podes treinar de forma personalizada um modelo YOLO11 apenas para esse fim.

O código abaixo mostra como carregar e treinar um modelo de classificação de imagens do Ultralytics YOLO11. Ele permite transferir pesos pré-treinados, usando o conhecimento de um modelo existente para impulsionar o desempenho do teu próprio modelo. Podes especificar um conjunto de dados, como o conjunto de dados "fashion-mnist", que é um conjunto bem conhecido de imagens em escala de cinza de itens de vestuário (camisas, calças, sapatos, etc.). Treinar o modelo neste conjunto de dados ensina-o a reconhecer diferentes categorias de roupas. Podes trocar "fashion-mnist" por qualquer conjunto de dados que se adeque ao teu 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 a utilização do pacote Ultralytics seja simples, requer alguns conhecimentos de Python. Se procuras uma opção mais adequada 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 começares, precisas de create an account.

Assim que estiveres conectado, navega até a seção 'Models' e seleciona o modelo Ultralytics YOLO11 para classificação de imagens. Verás uma variedade de tamanhos de modelos disponíveis: nano, small, medium, large e extra-large. Depois de escolher um modelo, podes carregar uma imagem na seção 'Preview', onde as previsões aparecerão no lado esquerdo da página assim que a imagem for processada.

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

Principais pontos#

O YOLO11 oferece poderosas capacidades de classificação de imagens que abrem novas possibilidades em vários setores. Desde a melhoria do monitoramento de culturas na agricultura e a melhoria das buscas de produtos no varejo até o suporte à conservação da vida selvagem, a velocidade e a precisão do YOLO11 o tornam ideal para diversas aplicações. Com opções de treinamento personalizado por meio do pacote Python da Ultralytics ou uma configuração fácil e sem código no Ultralytics HUB, os usuários podem incorporar facilmente o YOLO11 em seus fluxos de trabalho. À medida que mais indústrias 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 GitHub repository e interage com a nossa community. Explora aplicações de IA em self-driving cars e healthcare nas nossas páginas de soluções. 🚀