Как использовать Ultralytics YOLO11 для обнаружения объектов

Компьютерное зрение — это область искусственного интеллекта (ИИ), которая помогает машинам интерпретировать и понимать визуальную информацию, обеспечивая выполнение таких важных задач, как обнаружение объектов. В отличие от классификации изображений, обнаружение объектов не только определяет, какие объекты присутствуют на изображении, но и указывает их точное местоположение. Это делает технологию важнейшим инструментом для приложений ИИ в компьютерном зрении, таких как беспилотные автомобили, систем безопасности в реальном времени и автоматизации складов.

Со временем технология обнаружения объектов стала более совершенной и простой в использовании. О значительном шаге вперед было объявлено на ежегодном гибридном мероприятии Ultralytics, YOLO Vision 2024 (YV24), где была представлена модель Ultralytics YOLO11. YOLO11 повышает точность и производительность, поддерживая те же задачи, что и YOLOv8, что упрощает пользователям переход с предыдущих моделей.

Рис. 1. Пример использования модели Ultralytics YOLO11 для обнаружения объектов.

В этой статье мы разберем, что такое обнаружение объектов, чем оно отличается от других задач компьютерного зрения, и изучим его практическое применение. Мы также покажем тебе, как использовать модель YOLO11 с пакетом Ultralytics Python и платформой Ultralytics HUB. Давай начнем!

Link to this sectionЧто такое обнаружение объектов?#

Обнаружение объектов — это базовая задача компьютерного зрения, которая делает больше, чем просто идентифицирует объекты на изображении. В отличие от классификации изображений, которая лишь определяет, присутствует ли конкретный объект, обнаружение объектов распознает несколько объектов и указывает их точное местоположение с помощью ограничивающих рамок (bounding boxes).

Например, оно может идентифицировать и найти лица на групповом фото, машины на оживленной улице или товары на полке магазина. Сочетание распознавания объектов и определения их местоположения делает эту технологию особенно полезной для таких задач, как видеонаблюдение, мониторинг толпы и автоматизированное управление запасами.

Рис. 2. Использование YOLO11 для обнаружения лиц.

Что отличает обнаружение объектов от других задач, таких как семантическая или сегментация экземпляров, так это его направленность и эффективность.

Семантическая сегментация маркирует каждый пиксель на изображении, но не различает отдельные объекты одного и того же типа (например, все лица на фото будут сгруппированы как "лицо"). Сегментация экземпляров идет дальше, разделяя каждый объект и очерчивая его точную форму, даже если это объекты одного и того же класса.

Обнаружение объектов, однако, обеспечивает более упрощенный подход, идентифицируя и классифицируя объекты с одновременным указанием их позиций. Это делает его идеальным для задач реального времени, таких как обнаружение лиц на записях систем безопасности или выявление препятствий для автономных транспортных средств.

Link to this sectionПрименение YOLO11 и обнаружения объектов#

Расширенные функции обнаружения объектов в YOLO11 делают модель полезной во многих отраслях. Давай рассмотрим несколько примеров.

Link to this sectionИспользование YOLO11 для ритейл-аналитики#

YOLO11 и обнаружение объектов меняют подход к ритейл-аналитике, делая управление запасами и мониторинг полок более эффективными и точными. Способность модели быстро и надежно обнаруживать объекты помогает ритейлерам отслеживать уровень запасов, упорядочивать полки и сокращать ошибки при подсчете товаров.

Например, YOLO11 может обнаруживать конкретные товары, такие как солнцезащитные очки на полке магазина. Но зачем ритейлеру мониторить полки? Поддержание полок заполненными и упорядоченными жизненно важно для того, чтобы клиенты могли найти то, что им нужно, что напрямую влияет на продажи. Мониторя полки в реальном времени, ритейлеры могут быстро заметить, когда товары заканчиваются, лежат не на своих местах или полка переполнена, помогая поддерживать порядок и привлекательный вид витрины, что улучшает качество покупок.

Рис. 3. Пример использования YOLO11 для обнаружения товаров на полках.

Link to this sectionYOLO11 в приложениях «умного города»#

Оживленный город полагается на плавный поток движения и безопасность улиц для эффективного функционирования, и YOLO11 может помочь это обеспечить. Фактически, многие приложения для умных городов могут быть интегрированы с YOLO11.

Один интересный кейс включает использование обнаружения объектов для идентификации номерных знаков на движущихся транспортных средствах. Сделав это, YOLO11 может способствовать ускорению сбора платы за проезд, улучшению управления дорожным движением и повышению эффективности контроля за соблюдением правил.

Рис. 4. Использование обнаружения объектов и YOLO11 для распознавания номерных знаков.

Инсайты от систем ИИ компьютерного зрения, отслеживающих дороги, могут оповещать власти о нарушениях правил дорожного движения или заторах, прежде чем они перерастут в более серьезные проблемы. YOLO11 также может обнаруживать пешеходов и велосипедистов, делая улицы безопаснее и эффективнее для всех.

На самом деле способность YOLO11 обрабатывать визуальные данные делает его мощным инструментом для улучшения городской инфраструктуры. Например, он может помочь оптимизировать время работы светофоров, анализируя движение транспортных средств и пешеходов. Он также может повысить безопасность в школьных зонах, обнаруживая детей и предупреждая водителей о необходимости снизить скорость. С YOLO11 города могут принимать упреждающие меры для решения проблем и создания более эффективной среды для каждого.

Link to this sectionОбнаружение видео в реальном времени с YOLO11: Повышение доступности#

Обнаружение объектов в реальном времени относится к способности системы идентифицировать и классифицировать объекты в прямом видеопотоке по мере их появления. YOLO11 разработан для превосходной производительности в реальном времени и отлично справляется с этой задачей. Его применение выходит за рамки простого упорядочивания процессов — он также может помочь создать более инклюзивный и доступный мир.

Например, YOLO11 может помогать людям с нарушениями зрения, идентифицируя объекты в реальном времени. На основе обнаружений могут предоставляться аудиоописания, что помогает пользователям ориентироваться в окружающем пространстве с большей независимостью.

Представь себе человека с нарушением зрения, который идет в магазин за продуктами. Выбор нужных товаров может быть сложной задачей, но YOLO11 может помочь. Когда человек кладет товары в корзину, система, интегрированная с YOLO11, может быть использована для идентификации каждого предмета — например, бананов, авокадо или пакета молока — и предоставления аудиоописания в реальном времени. Это позволяет им подтвердить свой выбор и убедиться, что у них есть все необходимое. Распознавая повседневные предметы, YOLO11 может сделать поход в магазин проще.

Рис. 5. Обнаружение объектов помогает сделать мир доступнее для людей с нарушениями зрения.

Link to this sectionПошаговое руководство по обнаружению объектов с YOLO11#

Теперь, когда мы рассмотрели основы обнаружения объектов и его разнообразные применения, давай погрузимся в то, как ты можешь начать работу с моделью Ultralytics YOLO11 для таких задач.

Есть два простых способа использовать YOLO11: через пакет Ultralytics Python или через Ultralytics HUB. Давай изучим оба метода, начав с Python-пакета.

Link to this sectionЗапуск инференса с помощью YOLO11#

Инференс — это процесс, при котором модель ИИ анализирует новые, ранее не виденные данные, чтобы сделать предсказания, классифицировать информацию или предоставить инсайты на основе того, чему она научилась во время обучения. Применительно к обнаружению объектов это означает идентификацию и определение местоположения конкретных объектов внутри изображения или видео, отрисовку ограничивающих рамок вокруг них и их маркировку на основе обучения модели.

Чтобы выполнить инференс с помощью модели обнаружения объектов YOLO11, тебе сначала нужно установить пакет Ultralytics Python через pip, conda или Docker. Если у тебя возникнут проблемы с установкой, загляни в руководство по устранению неполадок, где есть советы и подсказки, которые помогут тебе их решить. После установки ты можешь использовать следующий код для загрузки модели обнаружения объектов YOLO11 и выполнения предсказаний на изображении.

Рис. 6. Запуск инференса на изображении с использованием YOLO11n.

Link to this sectionОбучение пользовательской модели YOLO11#

YOLO11 также поддерживает пользовательское обучение, чтобы лучше соответствовать твоим конкретным задачам. Выполняя тонкую настройку модели, ты можешь адаптировать её для обнаружения объектов, важных для твоего проекта. Например, при использовании компьютерного зрения в здравоохранении специально обученная модель YOLO11 может использоваться для выявления конкретных отклонений на медицинских снимках, таких как опухоли на МРТ или переломы на рентгеновских снимках, помогая врачам ставить диагнозы быстрее и точнее.

Фрагмент кода ниже демонстрирует, как загрузить и обучить модель YOLO11 для обнаружения объектов. Ты можешь начать с YAML-файла конфигурации или предварительно обученной модели, перенести веса и обучать на наборах данных, таких как COCO, для более точных возможностей обнаружения объектов.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

После обучения модели ты также можешь экспортировать её в различных форматах для развертывания в разных средах.

Link to this sectionОбнаружение объектов YOLO11 на Ultralytics HUB#

Для тех, кто ищет альтернативу без написания кода, Ultralytics HUB предоставляет простую в использовании платформу ИИ компьютерного зрения для обучения и развертывания моделей YOLO, включая YOLO11.

Чтобы запустить обнаружение объектов на изображениях, просто создай учетную запись, перейди в раздел «Модели» и выбери вариант модели обнаружения объектов YOLO11. Загрузи изображение, и платформа отобразит обнаруженные объекты в разделе предварительного просмотра.

Рис. 7. Запуск инференса на Ultralytics HUB.

Сочетая гибкость Python-пакета с простотой HUB, YOLO11 упрощает для разработчиков и компаний использование возможностей передовой технологии обнаружения объектов.

Link to this sectionОсновные выводы#

YOLO11 устанавливает новый стандарт в обнаружении объектов, сочетая высокую точность с универсальностью, чтобы удовлетворить потребности различных отраслей. От улучшения ритейл-аналитики до управления инфраструктурой умного города — YOLO11 создана для надежной производительности в реальном времени во множестве приложений.

Благодаря опциям пользовательского обучения и простому в использовании интерфейсу Ultralytics HUB, интеграция YOLO11 в твои рабочие процессы стала проще, чем когда-либо. Независимо от того, являешься ли ты разработчиком, исследующим компьютерное зрение, или бизнесом, стремящимся к инновациям с помощью ИИ, YOLO11 предлагает инструменты, необходимые для достижения успеха.

Чтобы узнать больше, загляни в наш репозиторий на GitHub и пообщайся с нашим сообществом. Изучи приложения ИИ в беспилотных автомобилях и компьютерном зрении для сельского хозяйства на наших страницах с решениями. 🚀