Руководство по подробному разбору обнаружения объектов в 2025 году

Многие отрасли стремительно внедряют решения на основе искусственного интеллекта (AI) в свою деятельность. Среди множества доступных сегодня технологий AI компьютерное зрение является одной из самых популярных. Компьютерное зрение — это отрасль AI, которая помогает компьютерам видеть и понимать содержимое изображений и видео, подобно человеку. Благодаря ему машины могут распознавать объекты, выявлять закономерности и понимать, на что они смотрят.

Ожидается, что мировая рыночная стоимость компьютерного зрения вырастет до 175,72 млрд долларов к 2032 году. Компьютерное зрение включает различные задачи, позволяющие системам vision AI анализировать и интерпретировать визуальные данные. Одна из наиболее широко используемых и важных задач компьютерного зрения — обнаружение объектов.

Обнаружение объектов сосредоточено на локализации и классификации объектов в визуальных данных. Например, если показать компьютеру изображение коровы, он сможет обнаружить корову и обвести её ограничивающей рамкой. Эта способность полезна в реальных приложениях, таких как мониторинг животных, беспилотные автомобили и системы наблюдения.

Итак, как можно выполнять обнаружение объектов? Один из способов — использовать модели компьютерного зрения. Например, Ultralytics YOLO11 — это модель компьютерного зрения, поддерживающая такие задачи компьютерного зрения, как обнаружение объектов.

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

Рис. 1. Использование поддержки обнаружения объектов в YOLO11 для мониторинга крупного рогатого скота.

Что такое обнаружение объектов?#

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

Обнаружение объектов можно представить как процесс, состоящий из двух ключевых этапов. Первый этап, классификация объектов, позволяет системе распознавать и маркировать объекты, например определять кошку, автомобиль или человека на основе изученных закономерностей. Второй этап, локализация, определяет положение объекта, обводя его ограничивающей рамкой и показывая, где он находится на изображении. Вместе эти этапы позволяют машинам обнаруживать объекты в сцене и понимать их.

Уникальность обнаружения объектов заключается в способности распознавать объекты и точно определять их местоположение. Другие задачи компьютерного зрения сосредоточены на иных целях.

Например, классификация изображений присваивает метку целому изображению. Сегментация изображений, в свою очередь, обеспечивает понимание различных элементов на уровне пикселей. Обнаружение объектов сочетает распознавание с локализацией. 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 различные термины компьютерного зрения, ты можешь решить, что распознавание объектов и обнаружение объектов взаимозаменяемы, но у них разные цели. Хороший способ понять разницу — сравнить обнаружение лиц и распознавание лиц.

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

Распознавание лиц, с другой стороны, является разновидностью распознавания объектов. Оно не просто обнаруживает лицо, а определяет, кому оно принадлежит, анализируя уникальные признаки и сравнивая их с базой данных. Оно отвечает на вопрос: «Кто этот человек?» Эта технология используется для разблокировки телефона с помощью Face ID или в системах безопасности аэропортов, проверяющих личность.

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 автора.

Многие модели обнаружения объектов, например Ultralytics YOLO11, поддерживают обнаружение лиц, но не распознавание лиц. YOLO11 может эффективно определить наличие лица на изображении и обвести его ограничивающей рамкой, что делает модель полезной для таких приложений, как системы наблюдения, мониторинг скоплений людей и автоматическая маркировка фотографий. Однако модель не может определить, кому принадлежит лицо. YOLO11 можно интегрировать с моделями, специально обученными для распознавания лиц, такими как Facenet или DeepFace, чтобы обеспечить обнаружение и идентификацию в одной системе.

Как работает обнаружение объектов#

Прежде чем обсуждать принцип работы обнаружения объектов, давай сначала подробнее рассмотрим, как компьютер анализирует изображение. В отличие от человека, компьютер не воспринимает изображение целиком, а разбивает его на сетку из 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 объединяют их в осмысленные области на основе формы, цвета и расстояния между ними. Модели обнаружения объектов, такие как Ultralytics YOLO11, могут распознавать закономерности или признаки в этих группах пикселей.

Например, беспилотный автомобиль видит пешехода не так, как человек: он обнаруживает формы и закономерности, соответствующие признакам пешехода. Эти модели обучаются на больших объёмах размеченных наборов данных изображений, что позволяет им изучать отличительные характеристики таких объектов, как автомобили, дорожные знаки и люди.

Типичная модель обнаружения объектов состоит из трёх ключевых частей: backbone, neck и head. Backbone извлекает важные признаки из изображения. Neck обрабатывает и уточняет эти признаки, а head отвечает за предсказание местоположения объектов и их классификацию.

Уточнение обнаружений и представление результатов#

После получения первоначальных обнаружений применяются методы постобработки для повышения точности и фильтрации избыточных предсказаний. Например, перекрывающиеся ограничивающие рамки удаляются, чтобы сохранить только наиболее релевантные обнаружения. Кроме того, каждому обнаруженному объекту присваивается показатель уверенности — числовое значение, отражающее степень уверенности модели в принадлежности объекта к определённому классу, — чтобы показать надёжность её предсказаний.

В итоге результат отображается с ограничивающими рамками вокруг обнаруженных объектов, а также с предсказанными метками классов и показателями уверенности. Эти результаты затем можно использовать в реальных приложениях.

Популярные модели обнаружения объектов#

Сегодня доступно множество моделей компьютерного зрения, и одними из самых популярных являются модели Ultralytics YOLO. Они известны своей скоростью, точностью и универсальностью. С годами эти модели стали быстрее, точнее и научились работать с более широким спектром задач. Выпуск Ultralytics YOLOv5 упростил развёртывание с помощью таких фреймворков, как PyTorch, благодаря чему больше людей смогли использовать передовые технологии vision AI без глубоких технических знаний.

Развивая эту основу, Ultralytics YOLOv8 представила новые возможности, такие как сегментация экземпляров, оценка позы и классификация изображений. Теперь YOLO11 развивает эти возможности ещё дальше, обеспечивая более высокую производительность в нескольких задачах. Имея на 22% меньше параметров, чем YOLOv8m, YOLO11m достигает более высокой средней точности (mAP) на наборе данных COCO. Проще говоря, YOLO11 может распознавать объекты точнее, используя меньше ресурсов, что делает модель быстрее и надёжнее.

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

Дообучение модели для обнаружения объектов на собственных данных#

Обучение моделей Vision AI помогает компьютерам распознавать изображения и видео и понимать их содержимое. Однако обучение может занимать много времени. Вместо обучения с нуля можно ускорить процесс с помощью трансферного обучения, используя предварительно обученные модели, которые уже распознают распространённые закономерности.

Например, Ultralytics YOLO11 уже обучена на наборе данных COCO, содержащем разнообразные повседневные объекты. Эту предварительно обученную модель можно дополнительно дообучить для обнаружения определённых объектов, которые отсутствуют в исходном наборе данных.

Чтобы дообучить Ultralytics YOLO11, тебе понадобится размеченный набор данных с изображениями объектов, которые нужно обнаруживать. Например, если ты хочешь создать модель для распознавания разных видов фруктов в продуктовом магазине, нужно подготовить набор размеченных изображений яблок, бананов, апельсинов и т. д. После подготовки набора данных YOLO11 можно обучить, настроив такие параметры, как размер пакета, скорость обучения и количество эпох, чтобы оптимизировать производительность.

При таком подходе компании могут обучить Ultralytics YOLO11 обнаруживать что угодно: от дефектных деталей на производстве до видов диких животных в природоохранных проектах, адаптируя модель под свои точные потребности.

Применение обнаружения объектов#

Далее рассмотрим несколько реальных сценариев использования обнаружения объектов и то, как эта технология преобразует различные отрасли.

Обнаружение опасностей для автономного вождения#

Беспилотные автомобили 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. Постоянно анализируя окружение, автомобили могут быстро принимать решения и безопасно двигаться в потоке транспорта.

Рис. 4. Пример использования обнаружения объектов для выявления выбоин с помощью Ultralytics YOLO11.

Анализ медицинских изображений в здравоохранении#

Методы медицинской визуализации, такие как рентген, МРТ, КТ и УЗИ, создают высокодетализированные изображения человеческого тела, помогающие диагностировать и лечить заболевания. Эти исследования создают большие объёмы данных, которые врачи, например радиологи и патологоанатомы, должны тщательно анализировать для выявления заболеваний. Однако подробный просмотр каждого изображения может занимать много времени, а специалисты иногда пропускают детали из-за усталости или ограничений по времени.

Модели обнаружения объектов, такие как Ultralytics YOLO11, могут помочь, автоматически выявляя с высокой точностью ключевые признаки на медицинских снимках, например органы, опухоли или аномалии. Модели, дообученные на собственных данных, могут выделять подозрительные области ограничивающими рамками, помогая врачам быстрее сосредоточиться на потенциальных проблемах. Это снижает нагрузку, повышает эффективность и обеспечивает быстрое получение информации.

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

Повышение безопасности с помощью обнаружения людей и аномалий#

Отслеживание объектов — это задача компьютерного зрения, поддерживаемая Ultralytics YOLO11, которая позволяет вести мониторинг в реальном времени и повышать уровень безопасности. Она развивает возможности обнаружения объектов, идентифицируя объекты и непрерывно отслеживая их перемещение между кадрами. Эта технология широко используется в системах наблюдения для повышения безопасности в различных условиях.

Например, в школах и детских садах отслеживание объектов помогает контролировать детей и не допускать, чтобы они уходили без присмотра. В системах безопасности эта технология играет ключевую роль в обнаружении нарушителей на охраняемых территориях, мониторинге скоплений людей для выявления переполненности или подозрительного поведения и отправке оповещений в реальном времени при обнаружении несанкционированной активности. Отслеживая перемещение объектов, системы на базе Ultralytics YOLO11 повышают безопасность, автоматизируют мониторинг и обеспечивают более быструю реакцию на потенциальные угрозы.

Преимущества и недостатки обнаружения объектов#

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

• Автоматизация: обнаружение объектов помогает сократить потребность в контроле со стороны человека при выполнении таких задач, как мониторинг записей с камер видеонаблюдения.
• Работа с другими моделями AI: эту технологию 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, работают быстро и эффективно, что делает их идеальными для приложений, требующих мгновенных результатов.

Хотя эти преимущества показывают, как обнаружение объектов влияет на разные сценарии использования, важно также учитывать сложности его внедрения. Вот некоторые ключевые проблемы:

• Конфиденциальность данных: использование визуальных данных, особенно в чувствительных сферах, таких как наблюдение или здравоохранение, может вызывать проблемы с конфиденциальностью и безопасностью.

• Окклюзия: окклюзия при обнаружении объектов возникает, когда объекты частично перекрыты или скрыты, из-за чего модели сложно точно обнаружить и классифицировать их.

• Высокие вычислительные затраты: высокопроизводительным моделям часто требуются мощные GPUs (графические процессоры) для обработки данных, поэтому их развёртывание в реальном времени может быть дорогостоящим.

Основные выводы#

Обнаружение объектов — это революционный инструмент компьютерного зрения, который помогает машинам обнаруживать и локализовать объекты на изображениях и видео. Эта технология используется в самых разных сферах — от беспилотных автомобилей до здравоохранения, — делая задачи проще, безопаснее и эффективнее. Благодаря новым моделям, таким как Ultralytics YOLO11, компании могут легко создавать собственные модели обнаружения объектов для специализированных приложений компьютерного зрения.

Несмотря на некоторые сложности, такие как вопросы конфиденциальности и скрытые объекты, обнаружение объектов является надёжной технологией. Возможность автоматизировать задачи, обрабатывать визуальные данные в реальном времени и интегрироваться с другими инструментами vision AI делает её важной частью передовых инноваций.

Чтобы узнать больше, посети наш репозиторий GitHub и присоединяйся к нашему сообществу. Изучи инновации в таких сферах, как AI в беспилотных автомобилях и компьютерное зрение в сельском хозяйстве, на наших страницах решений. Ознакомься с вариантами лицензирования YOLO и воплоти свои проекты vision AI в жизнь. 🚀