Руководство по глубокому погружению в обнаружение объектов в 2025 году

Многие отрасли стремительно внедряют решения на базе искусственного интеллекта (ИИ) в свою деятельность. Среди множества современных технологий ИИ компьютерное зрение является одной из самых популярных. Computer vision — это ветвь ИИ, которая помогает компьютерам видеть и понимать содержимое изображений и видео так же, как это делают люди. Она позволяет машинам распознавать объекты, определять закономерности и понимать то, на что они смотрят.

По оценкам, global market value of computer vision к 2032 году вырастет до 175,72 млрд долларов. Компьютерное зрение охватывает различные задачи, которые позволяют системам ИИ зрения анализировать и интерпретировать визуальные данные. Одной из самых распространенных и важных задач компьютерного зрения является обнаружение объектов.

Object detection фокусируется на локализации и классификации объектов на визуальных данных. Например, если показать компьютеру изображение коровы, он сможет обнаружить корову и нарисовать вокруг нее рамку (bounding box). Эта способность полезна в реальных сценариях, таких как мониторинг животных, беспилотные автомобили и видеонаблюдение.

Итак, как же выполняется обнаружение объектов? Один из способов — использование моделей компьютерного зрения. Например, Ultralytics YOLO11 — это модель компьютерного зрения, которая поддерживает такие задачи, как обнаружение объектов.

В этом руководстве мы рассмотрим обнаружение объектов и принцип его работы. Мы также обсудим некоторые практические применения обнаружения объектов и Ultralytics YOLO11.

Fig 1. Использование поддержки обнаружения объектов в YOLO11 для мониторинга скота.

Что такое обнаружение объектов?#

Обнаружение объектов — это задача компьютерного зрения, которая идентифицирует и находит объекты на изображениях или видео. Она отвечает на два ключевых вопроса: «Какие объекты есть на изображении?» и «Где они находятся?»

Ты можешь воспринимать обнаружение объектов как процесс, состоящий из двух основных этапов. Первый, классификация объектов, позволяет системе распознавать и помечать объекты, например, определять кошку, автомобиль или человека на основе изученных шаблонов. Второй, локализация, определяет положение объекта, рисуя ограничивающую рамку вокруг него, показывая, где он находится на изображении. Вместе эти этапы позволяют машинам обнаруживать и понимать объекты на сцене.

Аспект обнаружения объектов, который делает его уникальным, — это способность распознавать объекты и точно определять их местоположение. Другие computer vision tasks ориентированы на иные цели.

Например, классификация изображений присваивает метку всему изображению целиком. В то же время сегментация изображений обеспечивает понимание различных элементов на уровне пикселей. С другой стороны, обнаружение объектов сочетает распознавание с локализацией. Это делает его особенно полезным для таких задач, как подсчет множества объектов в режиме реального времени.

Fig 2. Сравнение задач компьютерного зрения.

Распознавание объектов против обнаружения объектов#

Изучая различные термины компьютерного зрения, ты можешь почувствовать, что распознавание объектов и обнаружение объектов — это взаимозаменяемые понятия, но они служат разным целям. Отличный способ понять разницу — посмотреть на обнаружение лиц и распознавание лиц.

Обнаружение лиц — это тип обнаружения объектов. Оно выявляет наличие лица на изображении и отмечает его местоположение с помощью ограничивающей рамки. Оно отвечает на вопрос: «Где на изображении находится лицо?» Эта технология обычно используется в камерах смартфонов, которые автоматически фокусируются на лицах, или в камерах безопасности, обнаруживающих присутствие человека.

Face recognition, с другой стороны, представляет собой форму распознавания объектов. Она не просто обнаруживает лицо; она определяет, чье это лицо, анализируя уникальные признаки и сравнивая их с базой данных. Она отвечает на вопрос: «Кто этот человек?» Это технология, которая лежит в основе разблокировки телефона с помощью Face ID или систем безопасности в аэропортах, проверяющих личности.

Проще говоря, обнаружение объектов находит и локализует объекты, тогда как распознавание объектов классифицирует и идентифицирует их.

Рис 3. Обнаружение объектов против распознавания объектов. Изображение автора.

Многие модели обнаружения объектов, такие как Ultralytics YOLO11, созданы для поддержки обнаружения лиц, а не их распознавания. YOLO11 может эффективно определять наличие лица на изображении и рисовать вокруг него bbox, что делает её полезной для таких применений, как системы видеонаблюдения, мониторинг толпы и автоматическая тегировка фотографий. Тем не менее, она не может определить, чьё это лицо. YOLO11 можно интегрировать с моделями, специально обученными для распознавания лиц, такими как Facenet или DeepFace, чтобы задействовать как обнаружение, так и идентификацию в единой системе.

Понимание принципов работы обнаружения объектов#

Прежде чем мы обсудим принцип работы обнаружения объектов, давай сначала подробнее рассмотрим, как компьютер анализирует изображение. Вместо того чтобы видеть изображение так, как мы, компьютер разбивает его на сетку крошечных квадратов, называемых пикселями. Каждый пиксель содержит информацию о цвете и яркости, которую компьютеры могут обрабатывать для интерпретации визуальных данных.

Чтобы разобраться в этих пикселях, алгоритмы группируют их в значимые области на основе формы, цвета и их близости друг к другу. Модели обнаружения объектов, такие как Ultralytics YOLO11, могут распознавать закономерности или признаки в этих группах пикселей.

Например, беспилотный автомобиль не видит пешехода так, как мы, — он обнаруживает формы и закономерности, соответствующие признакам пешехода. Эти модели полагаются на масштабное обучение с размеченными image datasets, что позволяет им изучать отличительные особенности таких объектов, как автомобили, дорожные знаки и люди.

Типичная модель обнаружения объектов состоит из трех ключевых частей: backbone (основа), neck (шея) и head (голова). Основа извлекает важные признаки из изображения. Шея обрабатывает и уточняет эти признаки, а голова отвечает за предсказание местоположения объектов и их классификацию.

Уточнение результатов обнаружения и их представление#

После выполнения первоначального обнаружения применяются методы постобработки для повышения accuracy и фильтрации избыточных предсказаний. Например, перекрывающиеся рамки удаляются, чтобы сохранить только самые релевантные обнаружения. Кроме того, каждому обнаруженному объекту присваиваются оценки уверенности (числовые значения, отражающие уверенность модели в том, что обнаруженный объект принадлежит к определенному классу), чтобы указать на степень уверенности модели в ее предсказаниях.

Наконец, результат представляется с ограничивающими рамками вокруг обнаруженных объектов, вместе с их предсказанными метками классов и оценками достоверности. Эти результаты затем могут быть использованы для практических задач.

Популярные модели обнаружения объектов#

Сегодня доступно множество моделей компьютерного зрения, и одними из самых популярных являются Ultralytics YOLO models. Они известны своей скоростью, точностью и универсальностью. С годами эти модели стали быстрее, точнее и способнее справляться с более широким спектром задач. Выход Ultralytics YOLOv5 упростил развертывание с помощью таких фреймворков, как PyTorch, позволив большему количеству людей использовать передовой ИИ зрения без необходимости глубоких технических знаний.

Опираясь на этот фундамент, Ultralytics YOLOv8 представила новые функции, такие как сегментация экземпляров, оценка позы и классификация изображений. Теперь YOLO11 идет еще дальше, обеспечивая лучшую производительность в различных задачах. Обладая на 22% меньшим количеством параметров, чем YOLOv8m, YOLO11m достигает более высокой средней точности (mAP) на датасете COCO. Проще говоря, YOLO11 может распознавать объекты с большей точностью, используя меньше ресурсов, что делает ее быстрее и надежнее.

Независимо от того, являешься ли ты экспертом по искусственному интеллекту или только начинаешь, Ultralytics YOLO11 предлагает мощное, но удобное в использовании решение для приложений компьютерного зрения.

Обучение модели под свои задачи (Custom-training) для обнаружения объектов#

Обучение моделей визуального ИИ включает в себя помощь компьютерам в распознавании и понимании изображений и видео. Однако обучение может быть трудоемким процессом. Вместо того чтобы начинать с нуля, трансферное обучение ускоряет процесс, используя предобученные модели, которые уже распознают общие шаблоны.

Например, Ultralytics YOLO11 уже обучен на наборе данных COCO, который содержит разнообразный набор повседневных объектов. Эту предобученную модель можно дополнительно дообучить для обнаружения конкретных объектов, которые могут отсутствовать в исходном наборе данных.

Чтобы custom-train Ultralytics YOLO11, тебе нужен размеченный набор данных, содержащий изображения объектов, которые ты хочешь обнаруживать. Например, если ты хочешь создать модель для определения разных типов фруктов в продуктовом магазине, ты создашь датасет с размеченными изображениями яблок, бананов, апельсинов и т. д. Как только датасет подготовлен, YOLO11 можно обучать, настраивая такие параметры, как размер батча, скорость обучения и эпохи, для оптимизации производительности.

Благодаря такому подходу компании могут обучать Ultralytics YOLO11 находить что угодно: от дефектных деталей на производстве до видов диких животных в природоохранных проектах, адаптируя модель под свои точные нужды.

Применения обнаружения объектов#

Далее давай рассмотрим некоторые реальные сценарии использования обнаружения объектов и то, как оно трансформирует различные отрасли.

Обнаружение опасностей для автономного вождения#

Self-driving cars используют такие задачи компьютерного зрения, как обнаружение объектов, чтобы безопасно ориентироваться и избегать препятствий. Эта технология помогает им распознавать пешеходов, другие транспортные средства, выбоины и дорожные опасности, позволяя лучше понимать окружающую обстановку. Они могут принимать быстрые решения и безопасно двигаться в потоке машин, постоянно анализируя свое окружение.

Fig 4. Пример использования обнаружения объектов для поиска выбоин с помощью Ultralytics YOLO11.

Анализ медицинских изображений в здравоохранении#

Medical imaging методы, такие как рентген, МРТ, КТ и УЗИ, создают высоко детализированные изображения человеческого тела для помощи в диагностике и лечении заболеваний. Эти сканирования производят огромные объемы данных, которые врачи, такие как радиологи и патологоанатомы, должны тщательно анализировать для обнаружения болезней. Однако детальный просмотр каждого изображения может занимать много времени, и специалисты-люди иногда могут упускать детали из-за усталости или нехватки времени.

Модели обнаружения объектов, такие как Ultralytics YOLO11, могут помогать, автоматически и с высокой точностью выявляя ключевые особенности на медицинских снимках, такие как органы, опухоли или аномалии. Специально обученные модели могут выделять проблемные зоны с помощью ограничивающих рамок, помогая врачам быстрее сосредоточиться на потенциальных проблемах. Это снижает нагрузку, повышает эффективность и обеспечивает быстрое получение аналитических данных.

Fig 5. Анализ медицинских изображений с использованием Ultralytics YOLO11.

Повышение безопасности с помощью обнаружения людей и аномалий#

Трекинг объектов — это задача компьютерного зрения, поддерживаемая Ultralytics YOLO11, которая обеспечивает мониторинг в реальном времени и повышение безопасности. Она дополняет обнаружение объектов за счет идентификации объектов и непрерывного отслеживания их перемещения между кадрами. Эта технология широко используется в системах видеонаблюдения для повышения безопасности в различных условиях.

Например, в школах и детских садах трекинг объектов может помочь следить за детьми и не давать им уходить далеко. В охранных приложениях он играет ключевую роль в обнаружении злоумышленников в зонах с ограниченным доступом, мониторинге скоплений людей на предмет переполненности или подозрительного поведения, а также в отправке оповещений в реальном времени при обнаружении несанкционированной активности. Отслеживая объекты по мере их перемещения, системы трекинга на базе Ultralytics YOLO11 повышают безопасность, автоматизируют мониторинг и позволяют быстрее реагировать на потенциальные угрозы.

Плюсы и минусы обнаружения объектов#

Вот некоторые из ключевых преимуществ, которые обнаружение объектов может принести различным отраслям:

• Автоматизация: Обнаружение объектов может помочь сократить потребность в контроле со стороны человека при решении таких задач, как мониторинг записей камер видеонаблюдения.
• Работа с другими моделями ИИ: Его можно интегрировать с системами распознавания лиц, распознавания действий и отслеживания для повышения точности и функциональности.
• Обработка в реальном времени: Многие модели обнаружения объектов, такие как Ultralytics YOLO11, быстры и эффективны, что делает их идеальными для приложений реального времени, требующих мгновенных результатов.

Хотя эти преимущества подчеркивают влияние обнаружения объектов на различные сценарии использования, важно также учитывать проблемы, связанные с его внедрением. Вот некоторые из ключевых проблем:

• Data privacy: Использование визуальных данных, особенно в чувствительных областях вроде видеонаблюдения или здравоохранения, может вызывать вопросы конфиденциальности и проблемы с безопасностью.

• Окклюзия: Окклюзия при обнаружении объектов возникает, когда объекты частично перекрыты или скрыты из вида, что затрудняет их точное обнаружение и классификацию моделью.

• Высокие вычислительные затраты: Высокопроизводительные модели часто требуют мощных GPU (графических процессоров) для обработки, что делает развертывание в реальном времени дорогостоящим.

Основные выводы#

Обнаружение объектов — это революционный инструмент в компьютерном зрение, который помогает машинам находить и определять местоположение объектов на изображениях и видео. Оно применяется в самых разных сферах: от беспилотных автомобилей до здравоохранения, делая задачи проще, безопаснее и эффективнее. С появлением новых моделей, таких как Ultralytics YOLO11, компании могут легко создавать собственные модели обнаружения объектов для создания специализированных приложений компьютерного зрения.

Несмотря на наличие некоторых проблем, таких как вопросы конфиденциальности и перекрытие объектов, обнаружение объектов является надежной технологией. Ее способность автоматизировать задачи, обрабатывать визуальные данные в реальном времени и интегрироваться с другими инструментами визуального ИИ делает ее неотъемлемой частью передовых инноваций.

Чтобы узнать больше, посети наш GitHub repository и пообщайся с our community. Изучай инновации в таких секторах, как AI in self-driving cars и computer vision in agriculture, на наших страницах решений. Ознакомься с нашими YOLO licensing options и воплоти свои проекты в области ИИ зрения в жизнь. 🚀