Все, что тебе нужно знать о задачах компьютерного зрения

Благодаря камерам и достижениям в области искусственного интеллекта (ИИ) компьютеры и машины теперь могут видеть мир так же, как люди. Например, они могут распознавать людей, отслеживать объекты и даже понимать контекст происходящего на видео.

В частности, computer vision — это ветвь ИИ, которая позволяет машинам понимать и интерпретировать визуальную информацию из окружающего мира. Computer vision включает в себя различные задачи, каждая из которых предназначена для извлечения определенного типа информации из изображений или видео. Например, обнаружение объектов помогает идентифицировать и находить различные элементы на картинке, в то время как другие задачи, такие как трекинг, сегментация и оценка позы, помогают машинам точнее понимать движение, формы и положения.

Задача computer vision task, используемая для конкретного приложения, зависит от типа необходимой информации. Модели компьютерного зрения, такие как Ultralytics YOLO11, поддерживают различные задачи компьютерного зрения, что делает ее надежным выбором для создания реальных систем Vision AI.

В этом руководстве мы подробнее рассмотрим задачи компьютерного зрения, поддерживаемые такими моделями, как YOLO11. Мы разберем, как работает каждая задача и как они используются в разных отраслях. Давай начнем!

Что такое задачи компьютерного зрения?#

Задачи компьютерного зрения направлены на воспроизведение способностей человеческого зрения различными способами. Эти задачи помогают машинам обнаруживать объекты, отслеживать их перемещения, оценивать позы и даже обводить контуры отдельных элементов на изображениях и видео. Обычно задачи компьютерного зрения выполняются моделями, которые разбивают визуальные данные на мелкие части, чтобы лучше интерпретировать происходящее.

Vision AI models, такие как модели Ultralytics YOLO, поддерживают несколько задач, таких как детекция, трекинг и сегментация, в рамках одного фреймворка. Благодаря такой универсальности модели YOLO11 легко адаптировать для широкого спектра сценариев использования.

Fig 1. Задачи компьютерного зрения, поддерживаемые Ultralytics YOLO11.

Отличный пример этого — спортивная аналитика. YOLO11 можно использовать для обнаружения каждого игрока на поле с помощью детекции объектов, а затем отслеживать их перемещения на протяжении всего матча. Тем временем функции оценки позы YOLO11 помогут проанализировать движения и технику игроков, а сегментация экземпляров позволит отделить каждого игрока от фона, что сделает анализ еще точнее.

В совокупности эти задачи компьютерного зрения, реализованные в YOLO11, создают полную картину происходящего на поле, давая командам глубокое понимание эффективности игроков, тактики и общей стратегии.

Обзор задач компьютерного зрения, поддерживаемых Ultralytics YOLO11#

Теперь, когда мы узнали, что такое задачи компьютерного зрения, давай разберем каждую из них, поддерживаемую YOLO11, более детально на реальных примерах.

Поддержка классификации изображений в Ultralytics YOLO11#

Когда ты смотришь на фото, большинство людей могут легко определить, изображена ли на нем собака, гора или дорожный знак, потому что все мы научились тому, как эти вещи обычно выглядят. Image classification помогает машинам делать то же самое, обучая их классифицировать и размечать изображение на основе его главного объекта — будь то «автомобиль», «банан» или «рентген с переломом». Эта метка помогает системам компьютерного зрения понимать визуальный контент, чтобы они могли соответствующим образом реагировать или принимать решения.

Интересное применение этой задачи компьютерного зрения — мониторинг дикой природы. Классификация изображений может использоваться для идентификации различных видов животных по фотографиям, сделанным в дикой природе. Автоматически помечая изображения, исследователи могут отслеживать популяции, контролировать пути миграции и легче находить вымирающие виды для поддержки природоохранных мероприятий.

Fig 2. Пример использования YOLO11 для классификации изображений.

Возможности обнаружения объектов в Ultralytics YOLO11#

Хотя классификация изображений полезна для получения общего представления о том, что содержит изображение, она присваивает всего одну метку всему изображению. В ситуациях, когда требуется подробная информация, такая как точное местоположение и идентичность нескольких объектов, object detection становится незаменимым.

Детекция объектов — это процесс идентификации и нахождения отдельных объектов на изображении, часто с помощью отрисовки ограничивающих рамок (bounding boxes) вокруг них. Ultralytics YOLO11 особенно эффективна в детекции объектов в реальном времени, что делает её идеальной для широкого спектра приложений.

Возьмем, к примеру, решения компьютерного зрения, используемые в розничных магазинах для пополнения полок. Детекция объектов может помочь пересчитать фрукты, овощи и другие товары, обеспечивая точный учет запасов. В сельском хозяйстве та же технология может контролировать зрелость урожая, помогая фермерам определить лучшее время для сбора, даже различая спелые и неспелые плоды.

Fig 3. Обнаружение фруктов с помощью Ultralytics YOLO11.

Использование YOLO11 для сегментации экземпляров#

Детекция объектов использует ограничивающие рамки для идентификации и поиска объектов на изображении, но она не фиксирует их точные формы. Здесь на помощь приходит instance segmentation. Вместо того чтобы рисовать рамку вокруг объекта, сегментация экземпляров трассирует его точный контур.

Представь это так: вместо того чтобы просто указать, что «в этой области есть яблоко», система тщательно обводит и заполняет точную форму этого яблока. Этот детальный процесс помогает ИИ-системам четко понимать границы объекта, особенно когда объекты находятся близко друг к другу.

Сегментация экземпляров может применяться во многих областях: от инспекции инфраструктуры до геологических изысканий. Например, данные геологических исследований могут быть проанализированы с помощью YOLO11 для сегментации как крупных, так и мелких поверхностных трещин или аномалий. Рисуя точные границы вокруг этих аномалий, инженеры могут выявлять проблемы и решать их до начала проекта.

Fig 4. Сегментация трещин с помощью YOLO11.

Отслеживание объектов: сопровождение объектов по кадрам с YOLO11#

До сих пор задачи компьютерного зрения, которые мы рассмотрели, были сосредоточены на том, что находится на одном изображении. Однако, когда дело касается видео, нам нужны данные, выходящие за рамки одного кадра. Для этого можно использовать задачу object tracking.

Возможность YOLO11 отслеживать объекты позволяет следить за конкретным объектом, например человеком или автомобилем, по мере его перемещения через последовательность кадров видео. Даже если угол обзора камеры меняется или появляются другие объекты, система продолжает следить за той же целью.

Это крайне важно для приложений, требующих мониторинга в течение длительного времени, например для отслеживания автомобилей в дорожном потоке. Более того, YOLO11 может точно отслеживать транспортные средства, следуя за каждой машиной для оценки их скорости в реальном времени. Это делает отслеживание объектов ключевым компонентом систем мониторинга дорожного движения.

Fig 5. Поддержка трекинга объектов в YOLO11 может использоваться для оценки скорости.

Обнаружение ориентированных ограничивающих рамок (OBB) с помощью YOLO11#

Объекты в реальном мире не всегда идеально выровнены — они могут быть наклонены, повернуты на бок или расположены под необычными углами. Например, на спутниковых снимках корабли и здания часто выглядят повернутыми.

Традиционные методы детекции объектов используют фиксированные прямоугольные рамки, которые не подстраиваются под ориентацию объекта, что затрудняет точный захват таких повернутых форм. Oriented bounding box (OBB) detection решает эту проблему с помощью рамок, которые вращаются, чтобы плотно облегать объект, выравниваясь по его углу для более точной детекции.

В контексте мониторинга гавани поддержка OBB-детекции в YOLO11 помогает точно идентифицировать и отслеживать суда независимо от их ориентации, гарантируя, что каждое судно, входящее в гавань или покидающее её, находится под надлежащим контролем. Это точное обнаружение предоставляет информацию о местоположении и движении судов в реальном времени, что критически важно для управления загруженными портами и предотвращения столкновений.

Fig 6. Обнаружение лодок с использованием детекции OBB и YOLO11.

Оценка позы и YOLO11: отслеживание ключевых точек#

Pose estimation — это метод компьютерного зрения, который отслеживает ключевые точки, такие как суставы, конечности или другие маркеры, чтобы понять, как движется объект. Вместо того чтобы рассматривать весь объект или тело как единое целое, этот метод разбивает его на ключевые части. Это позволяет детально анализировать движения, жесты и взаимодействия.

Одно из распространенных применений этой технологии — оценка позы человека. Отслеживая положения различных частей тела в реальном времени, она дает четкую картину того, как человек двигается. Эту информацию можно использовать для различных целей: от распознавания жестов и мониторинга активности до анализа спортивных результатов.

Точно так же в физической реабилитации терапевты могут использовать оценку позы человека и YOLO11 для мониторинга движений пациентов во время упражнений. Это помогает убедиться, что каждое движение выполняется правильно, и отслеживать прогресс с течением времени.

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

Изучаем, как YOLO11 поддерживает различные задачи компьютерного зрения#

Теперь, когда мы детально изучили все задачи компьютерного зрения, поддерживаемые YOLO11, давай разберемся, как именно YOLO11 их поддерживает.

YOLO11 — это не просто одна модель, это набор специализированных вариантов моделей, каждый из которых предназначен для определенной задачи компьютерного зрения. Это делает YOLO11 универсальным инструментом, который можно адаптировать под широкий спектр приложений. Ты также можешь дообучать эти модели на пользовательских datasets для решения уникальных задач твоих проектов.

Вот YOLO11 model variants, предварительно обученные для конкретных задач зрения:

• YOLO11: Эта модель обнаруживает и помечает несколько объектов в реальном времени, что делает её идеальной для высокоскоростного визуального распознавания.
• YOLO11-seg: Этот вариант специализируется на сегментации, используя детальные маски для отделения объектов от фона.
• YOLO11-obb: Эта модель предназначена для обнаружения повернутых объектов путем отрисовки ограничивающих рамок, которые выравниваются по ориентации каждого объекта.
• YOLO11-cls: Этот вариант классифицирует изображения, присваивая одну метку категории на основе общего содержимого.
• YOLO11-pose: Эта модель оценивает ключевые точки на теле для отслеживания позы, положения конечностей и движения.

Каждый вариант доступен в разных размерах, что позволяет пользователям выбрать оптимальный баланс между скоростью и точностью для своих конкретных нужд.

Основные выводы#

Задачи компьютерного зрения меняют то, как машины понимают окружающий 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 спортивных достижений до оптимизации промышленных процессов — модели, такие как YOLO11, предоставляют данные в реальном времени, которые стимулируют инновации. По мере развития Vision AI они будут играть все более важную роль в том, как мы интерпретируем и используем визуальные данные каждый день.

Присоединяйся к our community и посети our GitHub repository, чтобы увидеть ИИ в действии. Изучи our licensing options и узнай больше об AI in agriculture и computer vision in manufacturing на наших страницах решений.