Как использовать Ultralytics YOLO11 для классификации изображений

Представь, что робот видит двух кошек — черную и белую — и должен понять, где какая. Для этого он может использовать классификацию изображений — задачу компьютерного зрения, которая помогает распознавать объекты или сцены на изображении и относить их к категориям. Благодаря недавним достижениям в области искусственного интеллекта (AI) классификация изображений применяется в самых разных областях — от мониторинга животных до производства и выявления болезней сельскохозяйственных культур.

Одно из заметных достижений в классификации изображений — модель Ultralytics YOLO11. Представленная на ежегодном гибридном мероприятии Ultralytics YOLO Vision 2024 (YV24), YOLO11 предназначена для решения широкого спектра задач компьютерного зрения с помощью ИИ, включая классификацию изображений, легко и точно. (С тех пор YOLO11 сменила Ultralytics YOLO26, которая поддерживает те же задачи.)

В этой статье мы разберем основы классификации изображений, обсудим практические варианты применения и покажем, как использовать YOLO11 для классификации изображений с помощью пакета Ultralytics для Python. Также мы покажем, как всего за несколько простых шагов попробовать возможности YOLO11 на Ultralytics HUB (теперь Ultralytics Platform). Начнем!

Рис. 1. Пример классификации персидской кошки с помощью Ultralytics YOLO11.

Что такое классификация изображений?#

Классификация изображений присваивает изображению метку или тег на основе закономерностей, выявленных на ранее размеченных изображениях. Внимательно анализируя пиксели, модель компьютерного зрения может определить наиболее подходящую категорию изображения. Надежные модели, например Ultralytics YOLO11, эффективно справляются с этой задачей. Архитектура YOLO11 позволяет почти мгновенно обрабатывать изображения и видеокадры, поэтому модель идеально подходит для приложений, которым нужна быстрая и точная классификация изображений.

Чтобы лучше понять область применения классификации изображений, полезно отличать её от других задач, например от обнаружения объектов. Классификация изображений присваивает метку целому изображению, а обнаружение объектов выявляет и локализует каждый объект на изображении.

Рис. 2. Сравнение классификации изображений, обнаружения объектов и сегментации изображений.

Рассмотрим изображение жирафа. При классификации изображений модель может просто присвоить всему изображению метку «жираф», основываясь на его общем содержимом. При обнаружении объектов модель не ограничивается распознаванием жирафа: она также обводит его ограничивающей рамкой и указывает его точное местоположение на изображении.

А теперь представь, что жираф стоит рядом с деревом в саванне, где находятся и другие животные. Модель классификации изображений может присвоить всей сцене метку «саванна» или просто «дикая природа». При обнаружении объектов модель распознает каждый элемент по отдельности: жирафа, дерево и других животных — и выделит каждый из них собственной ограничивающей рамкой.

Применение Ultralytics YOLO11 для классификации изображений#

Благодаря точности и производительности Ultralytics YOLO11 для классификации изображений модель полезна в самых разных отраслях. Давай рассмотрим некоторые основные области применения YOLO11 для классификации изображений.

Классификация изображений с Ultralytics YOLO11 в сельском хозяйстве#

Классификация изображений помогает оптимизировать многие процессы в сельском хозяйстве. В частности, используя модели классификации изображений, такие как YOLO11, фермеры могут постоянно следить за состоянием посевов, с высокой точностью выявлять опасные заболевания и обнаруживать вредителей.

Вот как это работает:

• Съемка изображений: устройства Интернета вещей (IoT), например камеры и дроны, можно использовать для получения изображений посевов в реальном времени с разных ракурсов и из разных точек поля.
• Обработка: В зависимости от доступных ресурсов и качества подключения изображения можно обрабатывать на месте с помощью периферийных вычислений или загружать в облако для более сложного анализа.
• Классификация изображений с YOLO11: Модель YOLO11 может анализировать эти изображения и классифицировать различные состояния сельскохозяйственных культур. К распространённым классам могут относиться здоровые, поражённые болезнями, заражённые вредителями или испытывающие дефицит питательных веществ растения, что помогает точно определить проблемы на разных участках поля.
• Формирование выводов: На основе классификации Ultralytics YOLO11 предоставляет сведения о показателях здоровья сельскохозяйственных культур, помогая фермерам выявлять ранние признаки заболеваний, определять очаги распространения вредителей или замечать дефицит питательных веществ.
• Обоснованное принятие решений: Опираясь на эти сведения, фермеры могут принимать целевые решения о поливе, внесении удобрений и борьбе с вредителями, направляя ресурсы туда, где они нужнее всего.

Рис. 3. Примеры листьев разных классов: от здоровых до заражённых.

Классификация изображений с Ultralytics YOLO11 в розничной торговле#

Классификация изображений может значительно улучшить процесс покупок в рознице, сделав его более персонализированным и удобным. Розничные продавцы могут использовать специально обученные модели компьютерного зрения для распознавания товаров в ассортименте и интегрировать эту функцию в мобильные приложения или на сайты. Покупатели смогут искать товары, просто загружая фотографию, что сделает покупки быстрее и удобнее.

Когда покупатель загружает изображение в систему визуального поиска, до появления результатов поиска за кулисами происходит несколько процессов.

Сначала для выделения основных объектов на изображении можно использовать обнаружение объектов: например, найти предмет одежды или мебели и отделить его от фона. Затем классификация изображений поможет точнее категоризировать каждый объект, определив, куртка это, рубашка, диван или стол.

На основе этой информации система может найти похожие товары, доступные для покупки. Это особенно полезно для поиска необычных или модных вещей, которые сложно описать словами. Та же технология помогает оптимизировать и другие задачи розничной торговли, например управление запасами, автоматически распознавая и классифицируя товары.

Рис. 4. Пример работы платформы визуального поиска на основе классификации изображений.

Мониторинг дикой природы с помощью классификации изображений Ultralytics YOLO11#

Традиционно наблюдение за дикими животными — трудоёмкая задача: множество людей вручную сортируют и анализируют тысячи фотографий. С моделями компьютерного зрения, такими как Ultralytics YOLO11, исследователи могут автоматизировать наблюдение за животными и выполнять его быстрее. В естественной среде обитания можно установить камеры, которые будут делать фотографии. Затем модель компьютерного зрения на базе ИИ сможет анализировать эти фотографии и классифицировать животных на них, если они есть. Такая система поможет исследователям изучать и отслеживать популяции животных и их миграционные маршруты.

Ещё один способ, которым ИИ и модели компьютерного зрения, такие как Ultralytics YOLO11, могут помочь в этой области, — оптимизировать процесс классификации исчезающих видов. Определяя возможные виды или породы, к которым может относиться животное, эти модели предоставляют исследователям важные данные. Например, Тасманийский университет (UTAS) разработал систему на основе классификации изображений для наблюдения за различными представителями дикой природы Тасмании. Прогнозы моделей помогают учёным и исследователям отслеживать активность и поведение животных, которые могут указывать на такие угрозы, как браконьерство или утрата среды обитания.

Рис. 5. Ultralytics YOLO11 предсказывает возможные породы собаки.

Пробуем классификацию изображений с моделью Ultralytics YOLO11#

Теперь, когда мы обсудили, что такое классификация изображений, и рассмотрели некоторые варианты её применения, давай посмотрим, как попробовать классификацию изображений с YOLO11. Есть два простых способа начать: использовать пакет Ultralytics для Python или воспользоваться Ultralytics HUB. Мы разберём оба варианта.

Запуск инференса с Ultralytics YOLO11#

Чтобы начать работу с пакетом Ultralytics для Python, просто установи его с помощью pip, conda или Docker. Если возникнут проблемы, загляни в наше руководство «Распространённые проблемы», где найдёшь полезные советы по их устранению.

После установки пакета используй приведённый ниже код, чтобы загрузить вариант модели Ultralytics YOLO11 для классификации изображений и выполнить инференс на изображении. Инференс — это использование обученной модели для получения предсказаний на новых данных, которые она раньше не видела. Можешь попробовать на любом изображении!

Рис. 6. Выполнение инференса с помощью модели Ultralytics YOLO11.

Обучение собственной модели классификации Ultralytics YOLO11#

Ты также можешь использовать тот же пакет Python, чтобы обучить собственную модель классификации Ultralytics YOLO11. Пользовательское обучение позволяет дообучить модель YOLO11 под твои конкретные задачи. Например, если ты разрабатываешь приложение для классификации разных пород кошек, можно обучить классификатор YOLO11 на своих данных специально для этой цели.

В приведённом ниже коде показано, как загрузить и обучить модель Ultralytics YOLO11 для классификации изображений. Он позволяет перенести веса предварительно обученной модели, используя знания существующей модели для повышения производительности собственной. Можно указать набор данных, например набор данных «fashion-mnist» — известную коллекцию изображений предметов одежды в оттенках серого (рубашек, брюк, обуви и т. д.). Обучение модели на этом наборе данных научит её распознавать разные категории одежды. Вместо «fashion-mnist» можно использовать любой набор данных, подходящий для твоего проекта, например с породами кошек или видами растений.

Рис. 7. Обучение модели Ultralytics YOLO11 для классификации изображений на пользовательских данных.

Попробуй YOLO11 в Ultralytics HUB#

Работать с пакетом Ultralytics просто, но для этого потребуются некоторые знания Python. Если тебе нужен более доступный для новичков вариант, воспользуйся Ultralytics HUB — платформой, которая упрощает обучение и развёртывание различных моделей YOLO. Чтобы начать, создай учётную запись.

После входа перейди в раздел «Models» и выбери модель Ultralytics YOLO11 для классификации изображений. Ты увидишь доступные размеры модели: nano, small, medium, large и extra-large. Выбрав модель, загрузи изображение в разделе «Preview». После обработки изображения прогнозы появятся в левой части страницы.

Рис. 8. Выполнение инференса с помощью Ultralytics HUB.

Главные выводы#

YOLO11 предоставляет мощные возможности классификации изображений, открывая новые перспективы в самых разных отраслях. Скорость и точность YOLO11 делают эту модель подходящей для множества задач: от улучшения мониторинга сельскохозяйственных культур и поиска товаров в рознице до поддержки охраны дикой природы. Пользователи могут легко встроить YOLO11 в свои рабочие процессы, обучая модель на собственных данных через пакет Ultralytics для Python или используя удобную настройку без кода в Ultralytics HUB. По мере внедрения ИИ в новые отрасли YOLO11 становится гибким и быстрым решением для классификации изображений.

Узнай больше в нашем репозитории на GitHub и присоединяйся к нашему сообществу. Изучи применение ИИ в беспилотных автомобилях и здравоохранении на страницах наших решений.