Как использовать Ultralytics YOLO11 для классификации изображений

Представим, что робот смотрит на двух кошек — одну чёрную, а другую белую — и ему нужно понять, кто есть кто. Для этого он может использовать классификацию изображений — задачу компьютерного зрения, которая помогает идентифицировать и категоризировать объекты или сцены на изображении. Благодаря последним достижениям в области искусственного интеллекта (AI) классификация изображений может применяться в самых разных сферах — от мониторинга животных до производства и сельского хозяйства, включая обнаружение заболеваний сельскохозяйственных культур.

Одно из последних достижений в области классификации изображений — модель Ultralytics YOLO11. Представленная на ежегодном гибридном мероприятии Ultralytics — YOLO Vision 2024 (YV24), YOLO11 разработана для лёгкого и точного решения самых разных задач компьютерного зрения на основе AI, включая классификацию изображений.

В этой статье мы рассмотрим основы классификации изображений, обсудим варианты применения в реальном мире и покажем, как использовать YOLO11 для классификации изображений через пакет Ultralytics для Python. Также разберёмся, как всего за несколько простых шагов попробовать возможности YOLO11 в Ultralytics HUB. Начнём!

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

Что такое классификация изображений?#

Классификация изображений выполняется путём присвоения метки или тега изображению на основе закономерностей, изученных по ранее размеченным изображениям. Тщательно анализируя пиксели изображения, модель компьютерного зрения может подобрать для него наиболее подходящий класс. Надёжные модели, такие как Ultralytics YOLO11, легко справляются с этим процессом. Архитектура модели YOLO11 позволяет обрабатывать изображения или видеокадры почти мгновенно, поэтому она идеально подходит для приложений, которым нужна быстрая и точная классификация изображений.

Чтобы по-настоящему понять возможности классификации изображений, полезно отличать её от других задач, таких как обнаружение объектов. Классификация изображений присваивает метку всему изображению, а обнаружение объектов идентифицирует 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 пометить всё изображение как «жираф» на основе его общего содержимого. Однако при обнаружении объектов модель не ограничивается идентификацией жирафа: она также помещает вокруг него ограничивающую рамку, точно указывая его местоположение на изображении.

Теперь представим жирафа, стоящего возле дерева в саванне среди других животных. Модель классификации изображений может пометить всю сцену как «саванна» или просто как «дикая природа». При обнаружении объектов модель идентифицирует каждый элемент отдельно: жирафа, дерево и других животных, создавая для каждого собственную ограничивающую рамку.

Применение Ultralytics YOLO11 для классификации изображений#

Точность и производительность модели Ultralytics YOLO11 для классификации изображений делают её полезной в самых разных отраслях. Давай рассмотрим некоторые ключевые варианты применения YOLO11 для классификации изображений.

Классификация изображений с Ultralytics YOLO11 в сельском хозяйстве#

Классификация изображений помогает оптимизировать многие процессы в сфере сельского хозяйства. В частности, используя модели классификации изображений, такие как YOLO11, фермеры могут постоянно контролировать состояние сельскохозяйственных культур, обнаруживать опасные заболевания и с высокой точностью выявлять заражение вредителями.

Рассмотрим, как это работает:

• Съёмка изображений: устройства интернета вещей (IoT), такие как камеры и дроны, можно разместить в разных точках полей для съёмки сельскохозяйственных культур в реальном времени и с различных ракурсов.
• Обработка: в зависимости от доступных ресурсов и качества подключения изображения можно обрабатывать на месте с помощью периферийных вычислений или загружать в облако для более глубокого анализа.
• Классификация изображений с YOLO11: модель YOLO11 может анализировать эти изображения и классифицировать различные состояния сельскохозяйственных культур. К распространённым классам относятся здоровые, больные, заражённые вредителями и испытывающие дефицит питательных веществ растения, что помогает выявлять конкретные проблемы на разных участках поля.
• Формирование аналитических выводов: на основе результатов классификации Ultralytics YOLO11 предоставляет сведения о показателях здоровья сельскохозяйственных культур, помогая фермерам обнаруживать ранние признаки заболеваний, выявлять очаги распространения вредителей и замечать дефицит питательных веществ.
• Принятие обоснованных решений: используя эти сведения, фермеры могут принимать адресные решения об орошении, внесении удобрений и борьбе с вредителями, направляя ресурсы только туда, где они нужнее всего.

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

Классификация изображений с Ultralytics YOLO11 в розничной торговле#

Классификация изображений может значительно улучшить опыт покупок в розничной торговле, сделав его более персонализированным и удобным. Розничные продавцы могут использовать модели компьютерного зрения, обученные на собственных данных, чтобы распознавать товары в своём ассортименте и интегрировать эту возможность в мобильные приложения или на сайты. После этого покупатели смогут искать товары, просто загружая фотографию, что сделает покупки быстрее и удобнее.

После загрузки покупателем изображения в систему визуального поиска до появления результатов поиска происходит несколько процессов, незаметных пользователю.

Сначала можно использовать обнаружение объектов, чтобы выделить основные предметы на изображении, например распознать предмет одежды или мебели и отделить его от фона. Затем классификация изображений помогает дополнительно категоризировать каждый предмет, определяя, является ли он курткой, рубашкой, диваном или столом.

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

Рис. 4. Визуальный поиск на основе классификации изображений в действии.

Мониторинг дикой природы с помощью классификации изображений Ultralytics YOLO11#

Традиционно мониторинг диких животных — трудоёмкая задача, для которой многим людям приходится вручную сортировать и анализировать тысячи фотографий. С помощью моделей компьютерного зрения, таких как Ultralytics YOLO11, исследователи могут автоматически отслеживать животных гораздо быстрее. Камеры можно разместить в естественной среде обитания животных для съёмки фотографий. Затем модель компьютерного зрения на основе AI анализирует эти фотографии и классифицирует находящихся на них животных, если они есть. Такая система помогает исследователям изучать и отслеживать популяции животных, их миграционные модели и многое другое.

Ещё один способ применения AI и моделей компьютерного зрения, таких как Ultralytics YOLO11, в этой сфере — оптимизация классификации исчезающих видов. Определяя возможные виды или категории пород, к которым может относиться животное, такие модели предоставляют исследователям важные данные. Например, Университет Тасмании (UTAS) разработал систему на основе классификации изображений для мониторинга различных видов дикой природы Тасмании. Затем 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. Прогнозирование с помощью Ultralytics YOLO11 возможных пород, к которым может относиться собака.

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 новой моделью YOLO11. Начать можно двумя простыми способами: использовать пакет Ultralytics для Python или Ultralytics HUB. Мы разберём оба варианта.

Запуск инференса с использованием Ultralytics YOLO11#

Чтобы начать работу с пакетом Ultralytics для Python, просто установи его с помощью pip, conda или Docker. Если возникнут проблемы, ознакомься с нашим руководством по распространённым проблемам, где найдёшь полезные советы по устранению неполадок.

После установки пакета можно использовать следующий код, чтобы загрузить вариант модели Ultralytics YOLO11 для классификации изображений и выполнить инференс на изображении. Инференс означает использование обученной модели для построения прогнозов на новых, ранее не виденных данных. Попробуй на любом изображении по своему выбору!

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

Обучение пользовательской модели Ultralytics YOLO11 для классификации#

Тот же пакет Python можно использовать для обучения пользовательской модели Ultralytics YOLO11 для классификации. Пользовательское обучение позволяет дообучить модель YOLO11 под свои конкретные задачи. Например, если ты разрабатываешь приложение для классификации разных пород кошек, можно обучить модель YOLO11 специально для этой цели.

В приведённом ниже коде показано, как загрузить и обучить модель Ultralytics YOLO11 для классификации изображений. Он позволяет перенести предварительно обученные веса, используя знания существующей модели для повышения производительности собственной модели. Можно указать набор данных, например набор данных "fashion-mnist" — известный набор 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 указать любой набор данных, подходящий для твоего проекта, например набор изображений пород кошек или видов растений.

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

Попробуй YOLO11 в Ultralytics HUB#

Хотя использовать пакет Ultralytics несложно, для этого всё же нужны некоторые знания Python. Если тебе нужен более удобный для начинающих вариант, используй Ultralytics HUB — платформу, которая упрощает и делает доступными обучение и развёртывание разных моделей YOLO. Для начала потребуется создать аккаунт.

После входа перейди в раздел «Models» и выбери модель Ultralytics YOLO11 для классификации изображений. Будет доступен ряд размеров моделей: 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. Использование Ultralytics HUB для выполнения инференса.

Основные выводы#

YOLO11 предлагает мощные возможности классификации изображений, открывая новые перспективы в самых разных отраслях. От улучшения мониторинга сельскохозяйственных культур до оптимизации поиска товаров в розничной торговле и поддержки сохранения дикой природы — скорость и точность YOLO11 делают её идеальной для разнообразных задач. Благодаря возможностям пользовательского обучения через пакет Ultralytics для Python или удобной настройке без кода в Ultralytics HUB пользователи могут легко встроить YOLO11 в свои рабочие процессы. По мере того как всё больше отраслей внедряют решения на основе AI, YOLO11 становится гибким высокопроизводительным инструментом, поддерживающим инновации и практическое развитие.

Чтобы узнать больше, посети наш репозиторий на GitHub и присоединяйся к нашему сообществу. Изучи применение AI в беспилотных автомобилях и здравоохранении на страницах наших решений. 🚀