Всё, что нужно знать о задачах компьютерного зрения

Благодаря камерам и достижениям в области искусственного интеллекта (AI) компьютеры и машины теперь могут видеть мир подобно людям. Например, они могут распознавать людей, отслеживать объекты и даже понимать контекст происходящего на видео.

В частности, компьютерное зрение — это область AI, которая позволяет машинам понимать и интерпретировать визуальную информацию из окружающего мира. Компьютерное зрение включает множество задач, каждая из которых предназначена для извлечения определенного типа информации из изображений или видео. Например, обнаружение объектов помогает находить и определять местоположение разных предметов на изображении, а другие задачи, такие как отслеживание, сегментация и оценка позы, помогают машинам точнее понимать движения, формы и положения.

Выбор задачи компьютерного зрения для конкретного приложения зависит от того, какие сведения тебе нужны. Модели компьютерного зрения, такие как Ultralytics YOLO11, поддерживают различные задачи компьютерного зрения и надёжно подходят для создания практических систем Vision AI.

В этом руководстве мы подробнее рассмотрим задачи компьютерного зрения, поддерживаемые моделями вроде YOLO11. Мы изучим принцип работы каждой задачи и ее применение в различных отраслях.

Что такое задачи компьютерного зрения?#

Задачи компьютерного зрения позволяют по-разному воспроизводить способности человеческого зрения. С их помощью машины могут обнаруживать объекты, отслеживать их перемещение, оценивать позы и даже выделять отдельные элементы на изображениях и видео. Обычно задачи компьютерного зрения решаются с помощью моделей, которые разбивают визуальные данные на более мелкие части, чтобы точнее интерпретировать происходящее.

Модели Vision AI, такие как модели Ultralytics YOLO, поддерживают несколько задач в рамках одной системы, включая обнаружение, отслеживание и сегментацию. Благодаря такой универсальности модели YOLO11 легко применять в самых разных сценариях.

Рис. 1. Задачи компьютерного зрения, поддерживаемые Ultralytics YOLO11.

Хороший пример — аналитика в спорте. YOLO11 может обнаруживать каждого игрока на поле с помощью обнаружения объектов, а затем отслеживать их на протяжении всего матча. Возможности YOLO11 по оценке позы помогают анализировать движения и технику игроков, а сегментация экземпляров позволяет отделить каждого игрока от фона, повышая точность анализа.

Вместе эти задачи компьютерного зрения на базе YOLO11 дают полное представление о происходящем во время игры, помогая командам глубже анализировать игру спортсменов, тактику и общую стратегию.

Обзор задач компьютерного зрения, поддерживаемых Ultralytics YOLO11#

Теперь, когда мы разобрались, что такое задачи компьютерного зрения, рассмотрим каждую из задач, поддерживаемых YOLO11, на примерах из реальной жизни.

Поддержка классификации изображений в Ultralytics YOLO11#

Глядя на фотографию, большинство людей без труда определят, изображена ли на ней собака, гора или дорожный знак, потому что мы знаем, как обычно выглядят эти объекты. Классификация изображений помогает машинам делать то же самое: модель учится классифицировать изображение и присваивать ему метку на основе главного объекта — например, «автомобиль», «банан» или «рентгеновский снимок с переломом». Эта метка помогает системам компьютерного зрения понимать содержимое изображения, чтобы затем реагировать на него или принимать решения.

Один из интересных примеров применения этой задачи компьютерного зрения — наблюдение за дикой природой. Классификацию изображений можно использовать для определения видов животных на фотографиях, сделанных в естественной среде обитания. Автоматически присваивая изображениям метки, исследователи могут отслеживать численность популяций, наблюдать за миграцией и проще выявлять исчезающие виды, поддерживая природоохранную деятельность.

Рис. 2. Пример использования YOLO11 для классификации изображений.

Возможности обнаружения объектов в Ultralytics YOLO11#

Классификация изображений помогает получить общее представление о содержимом изображения, но присваивает всему изображению только одну метку. Когда нужны подробные сведения, например точное местоположение и идентификаторы нескольких объектов, незаменимо обнаружение объектов.

Обнаружение объектов — это процесс выявления и локализации отдельных объектов на изображении, часто с помощью ограничивающих рамок. Ultralytics YOLO11 особенно хорошо справляется с обнаружением объектов в реальном времени, поэтому подходит для самых разных приложений.

Например, решения на основе компьютерного зрения помогают магазинам розничной торговли контролировать выкладку товаров. Обнаружение объектов позволяет подсчитывать фрукты, овощи и другие товары, обеспечивая точный учёт запасов. В сельском хозяйстве эта же технология может отслеживать зрелость урожая и помогать фермерам выбирать оптимальное время для сбора, различая спелые и неспелые плоды.

Рис. 3. Обнаружение фруктов с помощью Ultralytics YOLO11.

Сегментация экземпляров с помощью YOLO11#

Обнаружение объектов использует ограничивающие рамки, чтобы идентифицировать объекты на изображении и определять их местоположение, но не фиксирует их точную форму. Здесь на помощь приходит сегментация экземпляров. Вместо того чтобы обводить объект рамкой, сегментация экземпляров точно очерчивает его контур.

Можно представить это так: вместо простого указания «в этой области есть яблоко» система тщательно обводит и заполняет точную форму яблока. Такая детализация помогает системам ИИ чётко определять границы объектов, особенно если объекты находятся близко друг к другу.

Сегментацию экземпляров можно применять во многих областях — от обследования инфраструктуры до геологических изысканий. Например, данные геологических изысканий можно анализировать с помощью YOLO11, чтобы сегментировать крупные и мелкие поверхностные трещины и аномалии. Точно обозначив границы этих дефектов, инженеры могут выявить проблемы и устранить их ещё до начала проекта.

Рис. 4. Сегментация трещин с помощью YOLO11.

Отслеживание объектов: сопровождение объектов в последовательности кадров с помощью YOLO11#

До этого мы рассматривали задачи компьютерного зрения, ориентированные на содержимое отдельного изображения. Но для работы с видео нужны сведения, выходящие за рамки одного кадра. Для этого можно использовать задачу отслеживания объектов.

YOLO11 умеет отслеживать конкретный объект — например, человека или автомобиль — по мере его перемещения в последовательности видеокадров. Даже если меняется угол съёмки или появляются другие объекты, система продолжает следить за той же целью.

Это крайне важно для задач, требующих наблюдения в течение длительного времени, например отслеживания автомобилей в потоке. YOLO11 может точно отслеживать транспортные средства и каждую машину отдельно, чтобы в реальном времени оценивать их скорость. Поэтому отслеживание объектов — ключевой компонент таких систем, как мониторинг дорожного движения.

Рис. 5. Отслеживание объектов с помощью YOLO11 можно использовать для оценки скорости.

Обнаружение ориентированных ограничивающих рамок (OBB) с помощью YOLO11#

В реальном мире объекты не всегда расположены идеально ровно: они могут быть наклонены, повернуты боком или находиться под необычным углом. Например, на спутниковых снимках корабли и здания часто выглядят повернутыми.

Традиционные методы обнаружения объектов используют фиксированные прямоугольные рамки, которые не учитывают ориентацию объекта, поэтому точно охватить повёрнутые объекты сложно. Обнаружение ориентированных ограничивающих рамок (OBB) решает эту проблему: рамки поворачиваются и плотно охватывают объект, повторяя его угол для более точного обнаружения.

При мониторинге гавани поддержка обнаружения OBB в YOLO11 помогает точно распознавать и отслеживать суда независимо от их ориентации, чтобы должным образом контролировать каждый корабль, входящий в гавань или покидающий её. Такое точное обнаружение в реальном времени предоставляет данные о местоположении и перемещении судов. Это критически важно для управления загруженными портами и предотвращения столкновений.

Рис. 6. Обнаружение лодок с помощью OBB и YOLO11.

Оценка позы и YOLO11: отслеживание ключевых точек#

Оценка позы — это метод компьютерного зрения, который отслеживает ключевые точки, например суставы, конечности и другие ориентиры, чтобы определять, как движется объект. Вместо того чтобы рассматривать весь объект или тело как единое целое, метод разбивает его на ключевые части. Благодаря этому можно подробно анализировать движения, жесты и взаимодействия.

Одна из распространённых областей применения этой технологии — оценка позы человека. Отслеживая положение разных частей тела в реальном времени, система наглядно показывает, как движется человек. Эти данные можно использовать для самых разных задач: от распознавания жестов и мониторинга активности до анализа спортивных результатов.

В физической реабилитации специалисты могут использовать оценку позы человека и YOLO11, чтобы следить за движениями пациентов во время упражнений. Это помогает проверять правильность выполнения каждого движения и отслеживать прогресс.

Рис. 7. YOLO11 может отслеживать тренировку с помощью оценки позы.

Как YOLO11 поддерживает различные задачи компьютерного зрения#

Теперь, когда мы подробно рассмотрели все задачи компьютерного зрения, поддерживаемые YOLO11, давай разберёмся, как именно YOLO11 их решает.

YOLO11 — это не одна модель, а набор специализированных вариантов моделей, каждый из которых предназначен для конкретной задачи компьютерного зрения. Благодаря этому YOLO11 можно адаптировать для широкого круга применений. Ты также можешь дообучить эти модели на собственных наборах данных, чтобы решать уникальные задачи своих проектов.

Вот варианты моделей YOLO11, предварительно обученные для определённых задач компьютерного зрения:

• YOLO11: Эта модель обнаруживает и классифицирует несколько объектов в реальном времени, что делает её оптимальным выбором для высокоскоростного распознавания изображений.
• YOLO11-seg: Этот вариант предназначен для сегментации: он использует подробные маски, чтобы отделять объекты от фона.
• YOLO11-cls: Этот вариант классифицирует изображения, присваивая им одну метку категории на основе общего содержимого.
• YOLO11-pose: Эта модель определяет ключевые точки на теле, чтобы отслеживать позу, положение конечностей и движения.
• YOLO11-obb: Эта модель обнаруживает повёрнутые объекты, строя ограничивающие рамки с учётом ориентации каждого объекта.

Каждый вариант доступен в разных размерах, поэтому пользователи могут подобрать подходящий баланс между скоростью и точностью для своих задач. Более новая Ultralytics YOLO26 поддерживает те же задачи, а также семантическую сегментацию и оценку глубины.

Главные выводы#

Задачи компьютерного зрения меняют то, как машины понимают мир и взаимодействуют с ним. Разбивая изображения и видео на ключевые элементы, эти технологии упрощают детальный анализ объектов, движений и взаимодействий.

От повышения безопасности дорожного движения и улучшения спортивных результатов до оптимизации промышленных процессов — такие модели, как YOLO11, предоставляют данные в реальном времени, способствующие инновациям. По мере развития Vision AI эти технологии, вероятно, будут играть всё более важную роль в том, как мы интерпретируем и используем визуальные данные в повседневной жизни.

Присоединяйся к нашему сообществу и загляни в наш репозиторий на GitHub, чтобы увидеть ИИ в действии. Изучи варианты лицензирования и узнай больше о ИИ в сельском хозяйстве и компьютерном зрении в производстве на страницах наших решений.