Как использовать Ultralytics YOLO11 для классификации изображений

Допустим, робот смотрит на двух котов — черного и белого, — и ему нужно понять, кто из них кто. Для этого он может использовать классификацию изображений — задачу компьютерного зрения, которая помогает распознавать и классифицировать объекты или сцены на изображении. На самом деле, благодаря недавним достижениям в области искусственного интеллекта (ИИ), классификация изображений находит применение в самых разных сферах: от мониторинга животных до производства и сельского хозяйства с обнаружением болезней сельскохозяйственных культур.

Одним из последних достижений в области классификации изображений является модель Ultralytics YOLO11. Представленная на ежегодном гибридном мероприятии компании Ultralytics — YOLO Vision 2024 (YV24), модель YOLO11 создана для того, чтобы с легкостью и точностью решать самые разные задачи визуального ИИ, включая классификацию изображений.

В этой статье мы рассмотрим основы классификации изображений, обсудим реальные сценарии применения и покажем, как использовать YOLO11 для классификации изображений с помощью пакета Ultralytics Python. Мы также посмотрим, как протестировать возможности YOLO11 на платформе Ultralytics HUB всего за несколько простых шагов. Давайте начнем!

Рис. 1. Пример использования Ultralytics YOLO11 для классификации персидской кошки.

Что такое классификация изображений?#

Классификация изображений работает путем присвоения метки или тега изображению на основе шаблонов, изученных из ранее размеченных изображений. Тщательно анализируя пиксели изображения, модель компьютерного зрения может найти наилучшее соответствие для изображения. Надежные модели, такие как Ultralytics YOLO11, могут легко справляться с этим процессом. Архитектура модели YOLO11 позволяет обрабатывать изображения или кадры видео практически мгновенно, что делает её идеальной для приложений, требующих быстрой и точной классификации изображений.

Чтобы по-настоящему понять масштаб классификации изображений, полезно отличать ее от других задач, таких как обнаружение объектов. В то время как классификация изображений присваивает метку всему изображению целиком, обнаружение объектов находит и локализует каждый отдельный объект на нем.

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

Давайте рассмотрим изображение жирафа. При классификации изображений модель может просто пометить все изображение как «жираф» на основе его общего содержимого. Однако при обнаружении объектов модель не ограничивается идентификацией жирафа — она также накладывает на него ограничивающую рамку, точно определяя его положение на картинке.

Теперь представь жирафа, стоящего рядом с деревом в саванне среди других животных. Модель классификации изображений может пометить всю сцену как «саванна» или просто «дикая природа». Однако с помощью обнаружения объектов модель идентифицирует каждый элемент отдельно, распознавая жирафа, дерево и других животных, каждый со своей собственной ограничивающей рамкой.

Приложения классификации изображений с Ultralytics YOLO11#

Точность и производительность модели Ultralytics YOLO11 в задачах классификации изображений делают ее полезной в самых разных отраслях. Давайте рассмотрим ключевые сценарии применения YOLO11 в классификации изображений.

Классификация изображений с Ultralytics YOLO11 в сельском хозяйстве#

Классификация изображений помогает оптимизировать множество процессов в сельском хозяйстве и фермерстве. В частности, используя такие модели классификации изображений, как YOLO11, фермеры могут постоянно следить за здоровьем посевов, вовремя выявлять серьезные заболевания и с высокой точностью определять заражение вредителями.

Вот как это работает:

• Съемка изображений: Устройства Интернета вещей (IoT), такие как камеры и дроны, могут быть развернуты для получения в реальном времени снимков сельскохозяйственных культур с разных ракурсов и из разных точек полей.
• Обработка: В зависимости от доступных ресурсов и связи изображения могут обрабатываться локально с помощью периферийных вычислений или загружаться в облако для более глубокого анализа.
• Классификация изображений с помощью YOLO11: Модель YOLO11 может анализировать эти снимки для классификации состояния посевов. Распространенными классами могут быть «здоровые», «больные», «зараженные вредителями» или «испытывающие дефицит питательных веществ», что помогает точно определять проблемы на различных участках поля.
• Генерация аналитики: На основе классификации Ultralytics YOLO11 предоставляет информацию об индикаторах здоровья сельскохозяйственных культур, помогая фермерам обнаруживать ранние признаки болезней, выявлять очаги вредителей или определять дефицит питательных веществ.
• Обоснованное принятие решений: Обладая этой информацией, фермеры могут принимать точечные решения по поливу, внесению удобрений и борьбе с вредителями, направляя ресурсы только туда, где они нужнее всего.

Рис. 3. Пример различных классов листьев: от здоровых до зараженных.

Классификация изображений с Ultralytics YOLO11 в ритейле#

Классификация изображений способна существенно улучшить опыт розничных покупок, сделав его более персональным и удобным. Ритейлеры могут использовать обученные под свои задачи модели компьютерного зрения для распознавания товаров в каталоге и встраивать эту функцию в мобильные приложения или на сайты. Тогда покупатели смогут искать товары простым загрузкой фото, что делает шопинг быстрее и комфортнее.

Как только покупатель загружает изображение в систему визуального поиска, за кулисами происходит несколько процессов, прежде чем результаты поиска отобразятся на экране.

Сначала обнаружение объектов используется для выделения основных элементов на картинке (например, одежды или предмета мебели) и отделения их от фона. Затем классификация изображений применяется для детальной категоризации каждого предмета с целью распознать, куртка это, рубашка, диван или стол.

Имея эти данные, система может подобрать похожие товары, доступные для покупки. Это особенно полезно при поиске уникальных или трендовых вещей, которые сложно описать одними лишь словами. Эта же технология помогает упростить и другие задачи в ритейле, например управление запасами за счет автоматического распознавания и категоризации товаров.

Рис. 4. Платформа визуального поиска на основе классификации изображений в действии.

Мониторинг дикой природы с помощью классификации изображений Ultralytics YOLO11#

Традиционно мониторинг диких животных — это утомительная задача, требующая участия множества людей для ручной сортировки и анализа тысяч фотографий. С помощью режимов компьютерного зрения, таких как Ultralytics YOLO11, исследователи могут автоматически отслеживать животных с большей скоростью. Камеры можно размещать в естественной среде обитания для съемки фото. Затем модель компьютерного зрения может использоваться для анализа этих фотографий и классификации находящихся на них животных (при наличии). Такая система может помочь исследователям изучать и отслеживать популяции животных, их миграционные пути и т. д.

Еще один способ, которым модели ИИ и компьютерного зрения вроде Ultralytics YOLO11 могут помочь в этой области — это оптимизация процесса классификации исчезающих видов. Определяя потенциальные категории видов или пород, к которым может принадлежать животное, эти модели предоставляют важные данные для исследователей. Например, Университет Тасмании (UTAS) разработал систему на основе классификации изображений для мониторинга различных видов диких животных Тасмании. Предсказания моделей могут помочь ученым и исследователям следить за активностью и поведением животных, что может сигнализировать о таких угрозах, как браконьерство или утрата среды обитания.

Рис. 5. Ultralytics YOLO11 предсказывает возможные породы, к которым может принадлежать собака.

Тестирование классификации изображений с помощью модели Ultralytics YOLO11#

Теперь, когда мы разобрались, что такое классификация изображений и где она применяется, давайте посмотрим, как опробовать ее с новой моделью YOLO11. Есть два простых способа начать работу: использовать пакет Ultralytics Python или платформу Ultralytics HUB. Мы рассмотрим оба варианта.

Запуск инференса с использованием Ultralytics YOLO11#

Чтобы начать работу с пакетом Ultralytics Python, просто установи его, используя pip, conda или Docker. Если возникнут какие-либо проблемы, загляни в наше руководство по частым проблемам за полезными советами по устранению неполадок.

После установки пакета ты можешь использовать следующий код для загрузки варианта модели классификации изображений Ultralytics YOLO11 и запуска инференса на изображении. Запуск инференса означает использование обученной модели для получения предсказаний на новых, ранее не встречавшихся данных. Ты можешь попробовать это сделать с изображением на свой выбор!

Рис. 6. Запуск инференса с использованием модели Ultralytics YOLO11.

Обучение пользовательской модели классификации Ultralytics YOLO11#

Ты также можешь использовать тот же пакет Python для обучения собственной модели классификации Ultralytics YOLO11. Пользовательское обучение позволяет тебе выполнять тонкую настройку модели YOLO11 под свои конкретные потребности. Например, если ты разрабатываешь приложение для классификации различных пород кошек, ты можешь обучить модель YOLO11 специально для этой цели.

Код ниже показывает, как загрузить и обучить модель классификации изображений Ultralytics YOLO11. Он позволяет переносить предобученные веса, используя знания существующей модели для повышения производительности твоей собственной. Ты можешь указать датасет, например «fashion-mnist», который представляет собой хорошо известный набор полутоновых изображений элементов одежды (рубашки, брюки, обувь и т. д.). Обучение модели на этом датасете учит ее распознавать различные категории одежды. Ты можешь заменить «fashion-mnist» на любой датасет, подходящий для твоего проекта, например на породы кошек или виды растений.

Рис. 7. Кастомное обучение модели Ultralytics YOLO11 для классификации изображений.

Попробуй YOLO11 на Ultralytics HUB#

Хотя работа с пакетом Ultralytics интуитивно понятна, она требует некоторого знания Python. Если тебе нужен вариант, более дружелюбный к новичкам, ты можешь воспользоваться платформой Ultralytics HUB, созданной для того, чтобы обучение и развертывание различных моделей YOLO стали простыми и доступными. Для начала тебе понадобится создать учетную запись.

После входа в систему перейди в раздел «Models» и выбери модель Ultralytics YOLO11 для классификации изображений. Ты увидишь множество доступных размеров моделей: nano, small, medium, large и extra-large. Выбрав модель, ты сможешь загрузить изображение в разделе «Preview», где предсказания появятся в левой части страницы после обработки изображения.

Рис. 8. Использование Ultralytics HUB для запуска вывода.

Основные выводы#

YOLO11 предлагает мощные возможности классификации изображений, которые открывают новые возможности в различных отраслях. От улучшения мониторинга сельскохозяйственных культур в агросекторе и совершенствования поиска товаров в ритейле до поддержки сохранения дикой природы — скорость и точность YOLO11 делают ее идеальной для разнообразных приложений. Благодаря вариантам пользовательского обучения через пакет Ultralytics Python или простой настройке без программирования в Ultralytics HUB, пользователи могут легко интегрировать YOLO11 в свои рабочие процессы. По мере того как все больше отраслей внедряют ИИ-решения, YOLO11 предлагает гибкий, высокопроизводительный инструмент, который поддерживает инновации и практические достижения.

Чтобы узнать больше, загляни в наш репозиторий на GitHub и присоединяйся к нашему сообществу. Изучай возможности применения ИИ в беспилотных автомобилях и здравоохранении на наших страницах решений. 🚀