Как использовать Ultralytics YOLO11 для классификации изображений

Представь, что робот смотрит на двух котов, одного черного и одного белого, и ему нужно понять, кто из них кто. Для этого он может использовать классификацию изображений — задачу компьютерного зрения, которая помогает идентифицировать и классифицировать объекты или сцены на изображении. Фактически, благодаря недавним достижениям в области искусственного интеллекта (ИИ), классификация изображений может быть использована в самых разных приложениях: от мониторинга животных до производства и сельского хозяйства с выявлением болезней сельскохозяйственных культур.

Одно из последних достижений в области классификации изображений — это модель Ultralytics YOLO11. Представленная на ежегодном гибридном мероприятии Ultralytics, YOLO Vision 2024 (YV24), модель YOLO11 разработана для легкого и точного решения широкого спектра задач компьютерного зрения, включая классификацию изображений.

В этой статье мы разберем основы классификации изображений, обсудим реальные примеры использования и покажем, как ты можешь применить YOLO11 для классификации изображений с помощью пакета Ultralytics Python. Мы также рассмотрим, как попробовать возможности YOLO11 на Ultralytics HUB всего за несколько простых шагов. Давай начнем!

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

Link to this sectionЧто такое классификация изображений?#

Классификация изображений работает путем назначения метки или тега изображению на основе паттернов, изученных из ранее размеченных изображений. Тщательно анализируя пиксели изображения, модель компьютерного зрения может найти наиболее подходящее соответствие. Надежные модели, такие как YOLO11, могут легко справиться с этим процессом. Архитектура модели YOLO11 позволяет обрабатывать изображения или видеокадры практически мгновенно, что делает ее идеальной для приложений, требующих быстрой и точной классификации изображений.

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

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

Давай рассмотрим изображение жирафа. При классификации изображений модель может просто пометить все изображение как «жираф» на основе его общего содержания. Однако при обнаружении объектов модель не останавливается на идентификации жирафа; она также размещает вокруг него ограничивающую рамку (BBox), точно определяя его местоположение внутри изображения.

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.

Link to this sectionПриложения классификации изображений YOLO11#

Точность и производительность модели Ultralytics YOLO11 для классификации изображений делают ее полезной в широком спектре отраслей. Давай рассмотрим некоторые ключевые области применения YOLO11 в классификации изображений.

Link to this sectionКлассификация изображений YOLO11 в сельском хозяйстве#

Классификация изображений может помочь оптимизировать многие функции в индустрии сельского хозяйства и фермерства. В частности, используя модели классификации изображений, такие как YOLO11, фермеры могут постоянно следить за состоянием своих посевов, выявлять серьезные заболевания и с высокой точностью определять заражение вредителями.

Вот как это работает:

• Захват изображения: Устройства интернета вещей (IoT), такие как камеры и дроны, могут быть развернуты для получения изображений посевов в режиме реального времени с различных углов и локаций на полях.
• Обработка: в зависимости от доступных ресурсов и сетевого подключения, изображения могут обрабатываться на месте с помощью периферийных вычислений или загружаться в облако для более интенсивного анализа.
• Классификация изображений с помощью YOLO11: Модель YOLO11 может анализировать эти изображения для классификации различных состояний сельскохозяйственных культур. Общие классы могут включать «здоровые», «больные», «пораженные вредителями» или «с дефицитом питательных веществ», что помогает точно определить конкретные проблемы, затрагивающие разные участки поля.
• Получение инсайтов: На основе классификаций YOLO11 предоставляет информацию о показателях здоровья посевов, помогая фермерам обнаруживать ранние признаки болезней, выявлять очаги вредителей или замечать дефицит питательных веществ.
• Обоснованное принятие решений: С помощью этих данных фермеры могут принимать целевые решения по орошению, внесению удобрений и борьбе с вредителями, применяя ресурсы только там, где они больше всего необходимы.

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

Link to this sectionКлассификация изображений YOLO11 в ритейле#

Классификация изображений может значительно улучшить опыт розничных покупок, делая его более персонализированным и удобным для пользователя. Ритейлеры могут использовать обученные на заказ модели компьютерного зрения для распознавания товаров в своем инвентаре и интеграции этой функции в мобильные приложения или веб-сайты. Покупатели могут искать товары, просто загрузив фотографию, что делает шопинг быстрее и удобнее.

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

Во-первых, обнаружение объектов используется для выделения основных элементов на изображении, например, чтобы определить предмет одежды или мебели и отделить его от фона. Затем классификация изображений используется для дальнейшей категоризации каждого элемента, распознавая, является ли он курткой, рубашкой, диваном или столом.

С этой информацией система может подобрать похожие товары, доступные для покупки, что особенно полезно для поиска уникальных или трендовых вещей, которые трудно описать словами. Та же технология может помочь оптимизировать другие задачи ритейла, такие как управление запасами, путем автоматического распознавания и категоризации предметов.

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

Link to this sectionМониторинг дикой природы с помощью классификации изображений YOLO11#

Традиционно мониторинг животных в дикой природе — это утомительная задача, требующая ручной сортировки и анализа тысяч фотографий множеством людей. С помощью моделей компьютерного зрения, таких как YOLO11, исследователи могут автоматически наблюдать за животными гораздо быстрее. Камеры можно размещать в естественной среде обитания для съемки. Модель визуального ИИ затем используется для анализа этих фотографий и классификации животных на них (если они есть). Такая система может помочь исследователям изучать и отслеживать популяции животных, их миграционные пути и т.д.

Другой способ, которым ИИ и модели компьютерного зрения, такие как YOLO11, могут помочь в этой области, — это оптимизация процесса классификации вымирающих видов. Идентифицируя потенциальные виды или породы, к которым может принадлежать животное, эти модели предоставляют важные данные для исследователей. Например, Университет Тасмании (UTAS) разработал систему на базе классификации изображений для мониторинга различных представителей фауны Тасмании. Прогнозы моделей могут помочь ученым и исследователям следить за активностью и поведением животных, что может сигнализировать об угрозах, таких как браконьерство или утрата среды обитания.

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

Link to this sectionПопробуй классификацию изображений с моделью YOLO11#

Теперь, когда мы обсудили, что такое классификация изображений, и изучили некоторые области ее применения, давай посмотрим, как ты можешь опробовать классификацию изображений с новой моделью YOLO11. Есть два простых способа начать: использование пакета Ultralytics Python или через Ultralytics HUB. Мы пройдем через оба варианта.

Link to this sectionЗапуск инференса с помощью YOLO11#

Чтобы начать работу с пакетом Ultralytics Python, просто установи его с помощью pip, conda или Docker. Если возникнут проблемы, ознакомься с нашим руководством по распространенным проблемам для получения полезных советов по устранению неполадок.

После установки пакета ты можешь использовать следующий код для загрузки варианта модели классификации изображений YOLO11 и запуска вывода (инференса) на изображении. Запуск вывода означает использование обученной модели для создания прогнозов на новых, не виденных ранее данных. Ты можешь попробовать это на любом изображении по своему выбору!

Рис. 6. Запуск выводов с использованием модели YOLO11.

Link to this sectionОбучение пользовательской модели классификации YOLO11#

Ты также можешь использовать тот же пакет Python для обучения пользовательской модели классификации YOLO11. Пользовательское обучение позволяет тебе донастроить модель YOLO11 под твои конкретные нужды. Например, если ты разрабатываешь приложение для классификации разных пород кошек, ты можешь обучить модель YOLO11 специально для этой цели.

Приведенный ниже код показывает, как загрузить и обучить модель классификации изображений YOLO11. Он позволяет переносить предобученные веса, используя знания существующей модели для повышения производительности собственной модели. Ты можешь указать набор данных, такой как "fashion-mnist", который представляет собой известный набор изображений предметов одежды (рубашки, брюки, обувь и т.д.) в градациях серого. Обучение модели на этом наборе данных научит ее распознавать различные категории одежды. Ты можешь заменить "fashion-mnist" любым набором данных, подходящим для твоего проекта, например, породами кошек или типами растений.

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

Link to this sectionПопробуй YOLO11 на Ultralytics HUB#

Хотя использование пакета Ultralytics является простым, оно требует некоторых знаний Python. Если ты ищешь вариант, более дружелюбный для новичков, ты можешь использовать Ultralytics HUB — платформу, созданную для того, чтобы сделать обучение и развертывание различных моделей YOLO простым и доступным. Чтобы начать, тебе нужно создать учетную запись.

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

Рис. 8. Использование Ultralytics HUB для запуска вывода.

Link to this sectionОсновные 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, посети наш репозиторий на GitHub и присоединяйся к нашему сообществу. Исследуй приложения ИИ в беспилотных автомобилях и здравоохранении на наших страницах решений. 🚀