Image Classification

A classificação de imagens é uma tarefa de visão computacional na qual um modelo analisa uma imagem completa e lhe atribui uma etiqueta de um conjunto fixo de classes, juntamente com uma pontuação de confiança para cada classe. Responde à pergunta «o que mostra esta imagem?»: gato ou cão, defeituoso ou bom, pneumonia ou normal. É a mais simples das tarefas fundamentais de visão e também a base das outras, porque os backbones primeiro treinados para classificar imagens em grandes conjuntos de dados são reutilizados como extratores de características para deteção e segmentação através da aprendizagem por transferência.

Como funciona a classificação de imagens#

Um classificador transforma píxeis em probabilidades de classe em três etapas. Um backbone, que pode ser uma rede neuronal convolucional (CNN) ou um transformador de visão (ViT), extrai características camada a camada, desde arestas e texturas nas camadas iniciais até partes e objetos inteiros nas camadas mais profundas. Uma etapa de pooling condensa os mapas de características finais num único vetor que resume a imagem completa. Em seguida, uma camada totalmente ligada produz uma pontuação, ou logit, por classe, e a função softmax converte essas pontuações em probabilidades cuja soma é 1.

Os modelos aprendem este mapeamento através da aprendizagem supervisionada com imagens etiquetadas, minimizando a perda de entropia cruzada entre as probabilidades previstas e a classe verdadeira. A classificação de etiqueta única (multiclasse) escolhe exatamente uma classe por imagem com softmax. A classificação multietiqueta, usada quando uma imagem pode mostrar várias coisas ao mesmo tempo, calcula a pontuação de cada classe de forma independente com uma sigmoide e mantém todas as classes acima de um limiar.

Os modelos de classificação Ultralytics YOLO26, identificados pelo sufixo -cls, são classificadores de rótulo único pré-treinados no ImageNet com 224×224 pixels; o menor, YOLO26n-cls, alcança 71,4% de precisão top-1 com 2,8 milhões de parâmetros. Eles podem ser treinados com qualquer conjunto de dados organizado como uma pasta de imagens por classe:

from ultralytics import YOLO

# Load a YOLO26 classification model pretrained on the 1,000 ImageNet classes
model = YOLO("yolo26n-cls.pt")

# Classify the whole image
results = model("https://ultralytics.com/images/bus.jpg")
probs = results[0].probs

# Show the five most likely classes and their softmax probabilities
for class_id, confidence in zip(probs.top5, probs.top5conf.tolist()):
    print(f"{results[0].names[class_id]}: {confidence:.2f}")

As cinco probabilidades resultam de um único softmax aplicado às 1.000 classes, por isso mostram o grau de confiança do modelo na sua principal escolha em relação a classes semelhantes.

Classificação vs. deteção e segmentação#

A classificação descreve a imagem completa e não indica onde estão as coisas nem quantas existem:

• Deteção de objetos: Encontra cada objeto, atribui-lhe uma etiqueta e localiza-o com uma caixa delimitadora, podendo, por exemplo, contar três carros numa fotografia.
• Segmentação de imagens: Atribui etiquetas aos píxeis, traçando o contorno exato de cada objeto ou região.
• Reconhecimento de imagens: Termo abrangente para identificar conteúdo em imagens, muitas vezes usado informalmente como sinónimo de classificação.

A escolha entre estas opções depende do nível de detalhe espacial de que uma aplicação precisa:

Aplicações no mundo real#

• Inspeção industrial: As câmaras numa linha de produção fotografam cada peça e um classificador identifica-a como aprovada ou reprovada, para que os artigos defeituosos sejam rejeitados automaticamente.
• Triagem médica: Os modelos fazem a triagem de radiografias torácicas, fotografias de lesões cutâneas e exames da retina, classificando-os como normais ou anormais para que os médicos analisem primeiro os casos urgentes.
• Agricultura: Os agricultores fotografam folhas com um telemóvel e um classificador identifica a doença da cultura ou a deficiência de nutrientes.
• Organização de conteúdos: Bibliotecas de fotografias e marketplaces etiquetam milhões de imagens por cena e categoria de produto para permitir a pesquisa e a moderação.

Referências de avaliação e modelos#

Os classificadores são comparados pela precisão top-1, a proporção de imagens cuja classe de maior probabilidade está correta, e pela precisão top-5, a proporção em que a classe verdadeira aparece entre as cinco mais prováveis. A classificação moderna surgiu do Desafio de Reconhecimento Visual em Grande Escala do ImageNet, cujo subconjunto de 1.000 classes, com cerca de 1,28 milhão de imagens de treinamento, continua sendo o benchmark padrão. Em 2012, o AlexNet reduziu a taxa de erro top-5 para 15,3%, ante 26,2% do segundo colocado, dando início à era do aprendizado profundo em visão. O ResNet tornou treináveis redes com mais de 100 camadas em 2015, e os Vision Transformers mostraram em 2020 que modelos baseados em atenção igualam ou superam as CNNs quando pré-treinados em 14 milhões a 300 milhões de imagens.