Как использовать Ultralytics YOLO11 для обнаружения объектов

Computer vision — это область искусственного интеллекта (ИИ), которая помогает машинам интерпретировать и понимать визуальную информацию для решения важных задач, таких как обнаружение объектов. В отличие от классификации изображений, обнаружение объектов не только определяет, какие объекты находятся на изображении, но и точно указывает их местоположение. Это делает его критически важным 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 продвинутой и простой в использовании. О важном прорыве было объявлено на ежегодном гибридном мероприятии Ultralytics, YOLO Vision 2024 (YV24), с запуском модели Ultralytics YOLO11. YOLO11 повышает точность и производительность, поддерживая при этом те же задачи, что и YOLOv8, что упрощает переход для пользователей 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, а также рассмотрим его реальные применения. Мы также покажем, как использовать модель YOLO11 с помощью пакета Ultralytics Python и платформы Ultralytics HUB. Давайте начнем!

Что такое обнаружение объектов?#

Обнаружение объектов — это ключевая задача компьютерного зрения, которая делает гораздо больше, чем просто распознает объекты на изображении. В отличие от классификации изображений, которая лишь определяет наличие конкретного объекта, обнаружение объектов распознает несколько объектов и точно указывает их местоположение с помощью ограничивающих рамок.

Например, оно может распознавать и находить лица на групповой фотографии, автомобили на оживленной улице или товары на полке магазина. Сочетание распознавания и локализации объектов делает его особенно полезным для таких задач, как видеонаблюдение, мониторинг скоплений людей и автоматизированное управление запасами.

Рис. 2. Использование Ultralytics YOLO11 для обнаружения лиц.

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

Семантическая сегментация маркирует каждый пиксель на изображении, но не различает отдельные объекты одного типа (например, все лица на фотографии будут объединены в группу «лицо»). Сегментация экземпляров идет дальше, разделяя каждый объект и обводя его точную форму, даже для объектов одного класса.

Однако обнаружение объектов обеспечивает более простой подход, идентифицируя и классифицируя объекты с одновременным указанием их положения. Это делает его идеальным для задач в реальном времени, таких как обнаружение лиц на записях камер видеонаблюдения или выявление препятствий для автономных транспортных средств.

Приложения Ultralytics YOLO11 и обнаружение объектов#

Продвинутые функции обнаружения объектов в Ultralytics YOLO11 делают ее полезной в самых разных отраслях. Давай посмотрим на несколько примеров.

Использование Ultralytics YOLO11 для розничной аналитики#

Ultralytics 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 определенные товары, например солнцезащитные очки, на полке магазина. Но зачем ритейлеру следить за полкой? Поддержание полок заполненными и упорядоченными жизненно важно для того, чтобы клиенты могли найти то, что им нужно, что напрямую влияет на продажи. Отслеживая полки в режиме реального времени, ритейлеры могут быстро замечать, когда товары заканчиваются, лежат не на своем месте или их слишком много, что помогает поддерживать порядок и привлекательный внешний вид витрины, улучшая опыт покупок.

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

Ultralytics YOLO11 в приложениях «умного» города#

Оживленный город полагается на бесперебойный транспортный поток и безопасные улицы для эффективной работы, и Ultralytics YOLO11 может помочь воплотить это в жизнь. На самом деле, множество приложений для умных городов могут быть интегрированы с YOLO11.

Один из интересных примеров связан с использованием обнаружения объектов для распознавания номерных знаков на движущихся транспортных средствах. Благодаря этому Ultralytics YOLO11 может способствовать более быстрому сбору платы за проезд, улучшению управления дорожным движением и более оперативному контролю соблюдения правил.

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

Информация от систем визуального ИИ, отслеживающих дороги, может предупреждать власти о нарушениях правил дорожного движения или заторах до того, как они перерастут в более серьезные проблемы. YOLO11 также может обнаруживать пешеходов и велосипедистов, делая улицы безопаснее и удобнее для всех.

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

Обнаружение в видео в реальном времени с Ultralytics YOLO11: Повышение доступности#

Обнаружение объектов в реальном времени означает способность системы идентифицировать и классифицировать объекты в прямом видеопотоке по мере их появления. Ultralytics YOLO11 разработана для обеспечения превосходной производительности в реальном времени и отлично справляется с этой задачей. Сферы ее применения выходят за рамки простой оптимизации процессов — она также помогает создать более инклюзивный и доступный мир.

Например, YOLO11 может помогать слабовидящим людям, распознавая объекты в реальном времени. На основе обнаружений могут генерироваться звуковые описания, что помогает пользователям ориентироваться в пространстве с большей самостоятельностью.

Представь слабовидящего человека, покупающего продукты. Выбор правильных товаров может быть сложной задачей, но Ultralytics YOLO11 может помочь. Когда он складывает товары в тележку, система, интегрированная с YOLO11, может использоваться для распознавания каждого предмета — например, бананов, авокадо или пакета молока — и предоставления аудиоописаний в реальном времени. Это позволяет ему подтвердить свой выбор и убедиться, что у него есть все необходимое. Распознавая повседневные предметы, YOLO11 может сделать шопинг проще.

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

Пошаговое руководство по обнаружению объектов с помощью Ultralytics 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.

Запуск инференса с использованием Ultralytics YOLO11#

Инференс — это когда модель ИИ анализирует новые, ранее не виденные данные для формирования прогнозов, классификации информации или получения аналитических выводов на основе того, чему она научилась во время обучения. Применительно к обнаружению объектов это означает определение и локализацию конкретных объектов на изображении или видео, отрисовку ограничивающих рамок вокруг них и их маркировку на основе обучения модели.

Чтобы выполнить инференс с помощью модели обнаружения объектов YOLO11, вам сначала нужно установить пакет Ultralytics Python с помощью pip, conda или Docker. Если у вас возникнут какие-либо проблемы с установкой, ознакомьтесь с руководством по устранению неполадок — там вы найдете полезные советы и подсказки, которые помогут их решить. После установки вы можете использовать следующий код для загрузки модели обнаружения объектов YOLO11 и выполнения предсказаний на изображении.

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

Обучение кастомной модели Ultralytics YOLO11#

Ultralytics YOLO11 также поддерживает custom training для лучшего соответствия твоим конкретным сценариям использования. Дообучая модель, ты можешь настроить ее на обнаружение объектов, имеющих отношение к твоему проекту. Например, при using computer vision in healthcare специально обученная модель YOLO11 может использоваться для обнаружения определенных аномалий на медицинских изображениях, таких как опухоли на МРТ-снимках или переломы на рентгенограммах, помогая врачам ставить более быстрые и точные диагнозы.

Приведенный ниже фрагмент кода демонстрирует, как загрузить и обучить модель Ultralytics YOLO11 для обнаружения объектов. Ты можешь начать с файла конфигурации YAML или предобученной модели, перенести веса и выполнить обучение на таких наборах данных, как COCO, для получения 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.

Обнаружение объектов YOLO11 на Ultralytics HUB#

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

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

Рис. 7. Запуск инференса на Ultralytics HUB.

Сочетая гибкость пакета Python с удобством HUB, Ultralytics YOLO11 позволяет разработчикам и бизнесу легко задействовать возможности передовых технологий обнаружения объектов.

Основные выводы#

Ultralytics YOLO11 устанавливает новый стандарт в обнаружении объектов, сочетая высокую точность с универсальностью для удовлетворения потребностей различных отраслей. От улучшения ритейл-аналитики до управления инфраструктурой умного города — YOLO11 создан для эффективной работы в реальном времени в бесчисленных приложениях.

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 присоединяйся к нашему сообществу. Изучай применения ИИ в беспилотных автомобилях и компьютерном зрении для сельского хозяйства на наших страницах решений. 🚀