Подробное руководство по обнаружению объектов в 2025 году

Многие отрасли быстро внедряют решения на основе искусственного интеллекта (AI) в свою работу. Среди множества доступных сегодня технологий ИИ машинное зрение — одна из самых популярных. Машинное зрение — это область ИИ, которая помогает компьютерам видеть и понимать содержимое изображений и видео, подобно человеку. Благодаря ему машины могут распознавать объекты, выявлять закономерности и понимать, что находится перед ними.

По оценкам, к 2034 году объем мирового рынка компьютерного зрения вырастет до 72,80 миллиарда долларов. Компьютерное зрение включает различные задачи, которые позволяют системам визуального ИИ анализировать и интерпретировать визуальные данные. Одна из самых распространенных и важных задач компьютерного зрения — обнаружение объектов.

Обнаружение объектов позволяет находить объекты на визуальных данных и определять их классы. Например, если показать компьютеру изображение коровы, он сможет обнаружить её и обвести ограничивающей рамкой. Эта возможность полезна в реальных приложениях, например для наблюдения за животными, беспилотных автомобилей и систем видеонаблюдения.

Как же выполняется обнаружение объектов? Один из способов — использовать модели компьютерного зрения. Например, Ultralytics YOLO11 — это модель компьютерного зрения, поддерживающая такие задачи, как обнаружение объектов.

В этом руководстве мы рассмотрим обнаружение объектов и принцип его работы. Также обсудим практические примеры применения обнаружения объектов и Ultralytics YOLO11.

Рис. 1. Использование поддержки обнаружения объектов в YOLO11 для наблюдения за крупным рогатым скотом.

Что такое обнаружение объектов?#

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

Обнаружение объектов можно представить как процесс из двух ключевых этапов. На первом этапе, классификации объектов, система распознаёт и маркирует объекты, например определяет кошку, автомобиль или человека по изученным закономерностям. На втором этапе, локализации, система определяет положение объекта, обводя его ограничивающей рамкой и указывая, где он находится на изображении. Вместе эти этапы позволяют машинам обнаруживать объекты и понимать, что изображено в кадре.

Обнаружение объектов отличается способностью распознавать объекты и точно определять их местоположение. Другие задачи компьютерного зрения решают иные задачи.

Например, классификация изображений присваивает метку всему изображению. Сегментация изображений, в свою очередь, позволяет понять состав изображения на уровне пикселей. Обнаружение объектов объединяет распознавание и локализацию. Поэтому оно особенно полезно для таких задач, как подсчёт нескольких объектов в реальном времени.

Рис. 2. Сравнение задач компьютерного зрения.

Распознавание объектов и обнаружение объектов#

Изучая термины машинного зрения, ты можешь решить, что распознавание объектов и обнаружение объектов — это одно и то же, но у них разные задачи. Чтобы понять разницу, удобно сравнить обнаружение лиц и распознавание лиц.

Обнаружение лиц — это разновидность обнаружения объектов. Оно определяет наличие лица на изображении и отмечает его положение ограничивающей рамкой. Эта задача отвечает на вопрос: «Где на изображении находится лицо?» Эту технологию часто используют камеры смартфонов, которые автоматически фокусируются на лицах, и камеры видеонаблюдения, обнаруживающие присутствие людей.

Распознавание лиц, напротив, относится к распознаванию объектов. Оно не просто обнаруживает лицо, а определяет, кому оно принадлежит, анализируя уникальные черты и сравнивая их с базой данных. Эта задача отвечает на вопрос: «Кто этот человек?» Именно эта технология позволяет разблокировать телефон с помощью Face ID или проверять личность в системах безопасности аэропортов.

Проще говоря, обнаружение объектов находит объекты и определяет их местоположение, а распознавание объектов классифицирует и идентифицирует их.

Рис. 3. Обнаружение объектов и распознавание объектов. Изображение предоставлено автором.

Модели обнаружения объектов, например Ultralytics YOLO11, можно обучить обнаруживать лица (например, на датасете WIDER FACE), но не распознавать их. Обученная модель YOLO11 может эффективно находить лицо на изображении и обводить его ограничивающей рамкой, что полезно для систем видеонаблюдения, мониторинга толпы и автоматической отметки людей на фотографиях. Однако модель не может определить, кому принадлежит лицо. YOLO11 можно интегрировать с моделями, специально обученными распознавать лица, например FaceNet или DeepFace, чтобы одна система и обнаруживала, и идентифицировала лица.

Как работает обнаружение объектов#

Прежде чем обсуждать принцип работы обнаружения объектов, подробнее рассмотрим, как компьютер анализирует изображение. Вместо того чтобы видеть изображение так, как видим его мы, компьютер разбивает его на сетку из крошечных квадратов, называемых пикселями. Каждый пиксель содержит информацию о цвете и яркости, которую компьютер может обработать для интерпретации визуальных данных.

Чтобы понять, что изображено на этих пикселях, алгоритмы группируют их в значимые области на основе формы, цвета и расстояния между ними. Модели обнаружения объектов, например Ultralytics YOLO11, способны распознавать закономерности и признаки в таких группах пикселей.

Например, беспилотный автомобиль видит пешехода не так, как мы: он обнаруживает формы и закономерности, соответствующие признакам пешехода. Такие модели обучаются на больших размеченных наборах изображений, благодаря чему учатся распознавать отличительные характеристики объектов, например автомобилей, дорожных знаков и людей.

Типичная модель обнаружения объектов состоит из трёх ключевых компонентов: основы, шеи и головы. Основа извлекает из изображения важные признаки. Шея обрабатывает и уточняет эти признаки, а голова предсказывает местоположение объектов и классифицирует их.

Уточнение результатов обнаружения и их представление#

После первоначального обнаружения применяются методы постобработки, чтобы повысить точность и отфильтровать повторяющиеся предсказания. Например, перекрывающиеся ограничивающие рамки удаляются, чтобы оставить только наиболее значимые результаты обнаружения. Кроме того, каждому обнаруженному объекту присваивается оценка уверенности — числовое значение, показывающее, насколько модель уверена в принадлежности объекта к определённому классу.

В итоге результат представляется в виде ограничивающих рамок вокруг обнаруженных объектов с предсказанными метками классов и оценками уверенности. Эти результаты можно использовать в практических приложениях.

Популярные модели обнаружения объектов#

Сегодня доступно множество моделей компьютерного зрения, и среди самых популярных — модели Ultralytics YOLO. Они известны скоростью, точностью и универсальностью. С годами эти модели стали быстрее и точнее, а также научились решать больше задач. Выход Ultralytics YOLOv5 упростил развёртывание с помощью таких фреймворков, как PyTorch, благодаря чему передовые решения Vision AI стали доступны большему числу людей без глубоких технических знаний.

Развивая эту основу, Ultralytics YOLOv8 расширила поддержку таких задач, как сегментация экземпляров, классификация изображений и оценка позы. YOLO11 пошла еще дальше, повысив производительность в разных задачах, а затем ей на смену пришла Ultralytics YOLO26. Имея на 22% меньше параметров, чем YOLOv8m, YOLO11m достигает более высокого среднего значения точности (mAP) на датасете COCO. Проще говоря, YOLO11 точнее распознает объекты, используя меньше ресурсов, поэтому работает быстрее и надежнее.

Будь ты экспертом по AI или только начинаешь разбираться в этой области, Ultralytics YOLO11 предлагает мощное и удобное решение для приложений компьютерного зрения.

Пользовательское обучение модели для обнаружения объектов#

Обучение моделей ИИ для машинного зрения помогает компьютерам распознавать и понимать изображения и видео. Однако обучение может занимать много времени. Вместо того чтобы начинать с нуля, можно ускорить процесс с помощью трансферного обучения и предварительно обученных моделей, которые уже распознают распространенные закономерности.

Например, Ultralytics YOLO11 уже обучена на наборе данных COCO, содержащем разнообразные повседневные объекты. Эту предварительно обученную модель можно дополнительно обучить обнаруживать конкретные объекты, которых может не быть в исходном наборе данных.

Чтобы обучить Ultralytics YOLO11 на собственных данных, тебе понадобится размеченный датасет с изображениями объектов, которые нужно обнаруживать. Например, чтобы создать модель для распознавания разных видов фруктов в продуктовом магазине, подготовь датасет с размеченными изображениями яблок, бананов, апельсинов и других фруктов. Когда датасет будет готов, можно обучить YOLO11, настроив такие параметры обучения, как размер пакета, скорость обучения и число эпох, чтобы оптимизировать производительность.

С таким подходом компании могут обучать Ultralytics YOLO11 обнаруживать практически что угодно: от дефектных деталей на производстве до видов диких животных в природоохранных проектах. Модель можно настроить под конкретные потребности.

Применение обнаружения объектов#

Теперь рассмотрим практические примеры применения обнаружения объектов и то, как эта технология меняет разные отрасли.

Обнаружение опасностей для автономного вождения#

Беспилотные автомобили используют задачи компьютерного зрения, например обнаружение объектов, чтобы безопасно передвигаться и избегать препятствий. Эта технология помогает им распознавать пешеходов, другие транспортные средства, выбоины и опасности на дороге, лучше понимать окружающую обстановку, быстро принимать решения и безопасно двигаться в потоке транспорта.

Рис. 4. Пример обнаружения выбоин с помощью Ultralytics YOLO11.

Анализ медицинских изображений в здравоохранении#

Такие методы медицинской визуализации, как рентген, МРТ, КТ и УЗИ, создают подробные изображения тела человека, помогая диагностировать и лечить заболевания. Эти исследования дают большой объём данных, которые врачи, например рентгенологи и патологоанатомы, должны тщательно анализировать, чтобы обнаруживать болезни. Однако подробный просмотр каждого изображения может занимать много времени, и из-за усталости или нехватки времени специалисты иногда упускают важные детали.

Модели обнаружения объектов, например Ultralytics YOLO11, помогают автоматизировать процесс: они с высокой точностью выявляют на медицинских снимках ключевые особенности, такие как органы, опухоли и патологии. Пользовательски обученные модели могут обводить подозрительные области ограничивающими рамками, помогая врачам быстрее сосредоточиться на возможных проблемах. Это снижает нагрузку, повышает эффективность и позволяет быстрее получать полезные сведения.

Рис. 5. Анализ медицинских изображений с помощью Ultralytics YOLO11.

Повышение безопасности благодаря обнаружению людей и аномалий#

Отслеживание объектов — это задача компьютерного зрения, поддерживаемая Ultralytics YOLO11, которая позволяет вести мониторинг в реальном времени и повышать уровень безопасности. Она расширяет возможности обнаружения объектов: система обнаруживает объекты и непрерывно отслеживает их перемещение между кадрами. Эта технология широко применяется в системах видеонаблюдения для повышения безопасности в самых разных условиях.

Например, в школах и детских садах отслеживание объектов помогает наблюдать за детьми и не давать им уходить далеко. В системах безопасности оно играет важную роль: помогает обнаруживать нарушителей в закрытых зонах, выявлять чрезмерное скопление людей или подозрительное поведение и отправлять оповещения в реальном времени при обнаружении несанкционированных действий. Отслеживая перемещение объектов, системы на базе Ultralytics YOLO11 повышают безопасность, автоматизируют мониторинг и позволяют быстрее реагировать на потенциальные угрозы.

Плюсы и минусы обнаружения объектов#

Вот некоторые ключевые преимущества, которые обнаружение объектов может дать разным отраслям:

• Автоматизация: обнаружение объектов помогает сократить потребность в контроле со стороны человека при выполнении таких задач, как просмотр записей с камер видеонаблюдения.
• Совместимость с другими моделями AI: систему можно интегрировать с системами распознавания лиц и действий, а также отслеживания объектов, чтобы повысить точность и расширить функциональность.
• Обработка в реальном времени: многие модели обнаружения объектов, например Ultralytics YOLO11, работают быстро и эффективно, поэтому отлично подходят для приложений, которым нужны мгновенные результаты.

Хотя эти преимущества показывают, как обнаружение объектов влияет на разные области применения, важно также учитывать сложности внедрения этой технологии. Вот некоторые ключевые проблемы:

• Конфиденциальность данных: использование визуальных данных, особенно в таких чувствительных областях, как видеонаблюдение и здравоохранение, может создавать риски для конфиденциальности и безопасности.
• Окклюзия: В задачах обнаружения объектов окклюзия возникает, когда объекты частично перекрыты или скрыты от обзора, из-за чего модели сложно точно обнаруживать и классифицировать их.
• Высокие вычислительные затраты: Для обработки данных высокопроизводительным моделям часто требуются мощные GPU (графические процессоры), поэтому их развертывание в режиме реального времени обходится дорого.

Главные выводы#

Обнаружение объектов — широко используемый инструмент машинного зрения, который помогает машинам находить объекты на изображениях и видео и определять их местоположение. Его применяют во многих областях — от беспилотных автомобилей до здравоохранения, упрощая задачи и делая их безопаснее и эффективнее. С моделями вроде Ultralytics YOLO11 компании могут легко создавать собственные модели обнаружения объектов для специализированных приложений машинного зрения.

У технологии обнаружения объектов есть некоторые ограничения — например, вопросы конфиденциальности и скрытые от обзора объекты, — но она остается надежной. Возможность автоматизировать задачи, обрабатывать визуальные данные в реальном времени и интегрироваться с другими инструментами ИИ для машинного зрения делает ее важной частью современных систем машинного зрения на базе ИИ.

Узнай больше: посети наш репозиторий GitHub и присоединяйся к нашему сообществу. На страницах решений изучи инновации в таких областях, как ИИ в беспилотных автомобилях и машинное зрение в сельском хозяйстве. Ознакомься с вариантами лицензирования YOLO и воплоти свои проекты ИИ для машинного зрения в жизнь.