Как использовать Ultralytics YOLO11 для обнаружения объектов

Компьютерное зрение — это область искусственного интеллекта (AI), которая помогает машинам интерпретировать и понимать визуальную информацию для выполнения таких важных задач, 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 важным инструментом для приложений компьютерного зрения, таких как беспилотные автомобили, систем безопасности в реальном времени и автоматизации складов.

Со временем технология обнаружения объектов стала более совершенной и удобной в использовании. Важный шаг вперед был представлен на ежегодном гибридном мероприятии Ultralytics — YOLO Vision 2024 (YV24), где была запущена модель Ultralytics YOLO11. YOLO11 повышает точность и производительность, поддерживая те же задачи, что и YOLOv8, поэтому пользователи предыдущих моделей могут легко и без проблем перейти на нее.

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 рассмотрим его применение в реальных условиях. Мы также покажем, как использовать модель YOLO11 с пакетом Ultralytics для Python и платформой Ultralytics HUB. Начнем!

Что такое обнаружение объектов?#

Обнаружение объектов — это ключевая задача компьютерного зрения, которая не ограничивается простым определением объектов на изображении. В отличие от классификации изображений, определяющей только наличие конкретного объекта, обнаружение объектов распознает несколько объектов и точно указывает их местоположение с помощью ограничивающих рамок.

Например, оно может определять и находить лица на групповой фотографии, автомобили на оживленной улице или товары на полке магазина. Сочетание распознавания и локализации объектов делает эту технологию особенно полезной для таких приложений, как видеонаблюдение, мониторинг скоплений людей и автоматизированное управление запасами.

Рис. 2. Использование Ultralytics YOLO11 для обнаружения лиц.

От других задач, таких как семантическая или экземплярная сегментация, обнаружение объектов отличают его направленность и эффективность.

Семантическая сегментация присваивает метки каждому пикселю изображения, но не различает отдельные объекты одного типа (например, все лица на фотографии будут объединены под меткой «лицо»). Экземплярная сегментация идет дальше: она разделяет каждый объект и очерчивает его точную форму, даже если объекты относятся к одному классу.

Однако обнаружение объектов предлагает более простой подход: оно определяет и классифицирует объекты, отмечая их местоположение. Благодаря этому оно идеально подходит для задач реального времени, например обнаружения лиц на записях с камер безопасности или выявления препятствий для автономных транспортных средств.

Применение Ultralytics YOLO11 и обнаружения объектов#

Расширенные возможности Ultralytics YOLO11 в области обнаружения объектов делают его полезным во многих отраслях. Рассмотрим несколько примеров.

Использование Ultralytics YOLO11 для аналитики в розничной торговле#

Ultralytics YOLO11 и обнаружение объектов меняют подход к аналитике в розничной торговле, делая управление запасами и мониторинг полок более эффективными и точными. Способность модели быстро и надежно обнаруживать объекты помогает розничным продавцам отслеживать остатки товаров, организовывать выкладку и уменьшать количество ошибок при подсчете запасов.

Например, YOLO11 может обнаруживать определенные товары, например солнцезащитные очки на полке магазина. Но зачем продавцу следить за полкой? Поддержание полок заполненными и организованными необходимо, чтобы покупатели могли найти нужные товары, что напрямую влияет на продажи. Мониторинг полок в реальном времени позволяет быстро заметить, что товары заканчиваются, лежат не на своем месте или расположены слишком плотно, и помогает поддерживать аккуратную и привлекательную выкладку, улучшающую качество покупок.

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

Ultralytics YOLO11 в приложениях для умных городов#

Для эффективной работы оживленного города необходимы бесперебойное движение транспорта и безопасные улицы, и Ultralytics YOLO11 может помочь этого добиться. Фактически многие приложения для умных городов можно интегрировать с YOLO11.

Один из интересных примеров — использование обнаружения объектов для распознавания номерных знаков на движущихся автомобилях. Это позволяет Ultralytics YOLO11 ускорить сбор платы за проезд, улучшить управление дорожным движением и быстрее обеспечивать соблюдение правил.

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

Данные, полученные от систем компьютерного зрения (AI), отслеживающих дороги, могут заранее уведомлять власти о нарушениях правил дорожного движения или пробках, прежде чем они перерастут в более серьезные проблемы. YOLO11 также может обнаруживать пешеходов и велосипедистов, делая улицы безопаснее и удобнее для всех.

Способность Ultralytics YOLO11 обрабатывать визуальные данные делает его мощным инструментом для улучшения городской инфраструктуры. Например, он может помочь оптимизировать работу светофоров, анализируя движение автомобилей 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 проактивные меры для решения проблем и создавать более эффективную среду для всех.

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

Обнаружение объектов в реальном времени — это способность системы определять и классифицировать объекты в транслируемом видео по мере их появления. Ultralytics YOLO11 разработан для превосходной производительности в реальном времени и отлично справляется с этой задачей. Его применение выходит за рамки простого ускорения процессов — оно также может помочь создать более инклюзивный и доступный мир.

Например, YOLO11 может помогать людям с нарушениями зрения, определяя объекты в реальном времени. На основе результатов обнаружения можно предоставлять звуковые описания, помогающие пользователям более самостоятельно ориентироваться в окружающей обстановке.

Представь человека с нарушением зрения, который покупает продукты. Выбрать нужные товары может быть непросто, но Ultralytics YOLO11 способен помочь. Когда он кладет товары в корзину, интегрированная с YOLO11 система может распознавать каждый из них — например, бананы, авокадо или пакет молока — и предоставлять звуковые описания в реальном времени. Это позволяет подтвердить свой выбор и убедиться, что все необходимое куплено. Распознавая повседневные товары, YOLO11 делает покупки проще.

Рис. 5. Обнаружение объектов может сделать мир более доступным для людей с нарушениями зрения.

Пошаговое руководство по обнаружению объектов с Ultralytics YOLO11#

Теперь, когда мы рассмотрели основы обнаружения объектов и его разнообразные применения, давай разберемся, как начать работать с моделью Ultralytics YOLO11 для таких задач, как обнаружение объектов.

Использовать YOLO11 можно двумя простыми способами: через пакет Ultralytics для Python или Ultralytics HUB. Рассмотрим оба метода, начав с пакета для Python.

Запуск инференса с использованием Ultralytics YOLO11#

Инференс — это процесс, в ходе которого модель AI анализирует новые, ранее не встречавшиеся данные, чтобы делать предсказания, классифицировать информацию или предоставлять сведения на основе усвоенного во время обучения. В контексте обнаружения объектов это означает определение и поиск конкретных объектов на изображении или видео, рисование ограничивающих рамок вокруг них и присвоение им меток на основе обучения модели.

Чтобы выполнить инференс с моделью YOLO11 для обнаружения объектов, сначала нужно установить пакет Ultralytics для Python через pip, conda или Docker. Если возникнут проблемы с установкой, обратись к руководству по устранению неполадок, где приведены советы и рекомендации. После установки можно использовать следующий код, чтобы загрузить модель YOLO11 для обнаружения объектов и получить предсказания для изображения.

Рис. 6. Запуск инференса изображения с использованием YOLO11n.

Обучение собственной модели Ultralytics YOLO11#

Ultralytics YOLO11 также поддерживает пользовательское обучение, чтобы лучше соответствовать твоим конкретным задачам. Дообучив модель, ты можешь адаптировать ее для обнаружения объектов, важных для твоего проекта. Например, при использовании компьютерного зрения в здравоохранении специально обученную модель YOLO11 можно применять для обнаружения определенных патологий на медицинских изображениях, таких как опухоли на МРТ или переломы на рентгеновских снимках, помогая врачам быстрее и точнее ставить диагнозы.

Приведенный ниже фрагмент кода показывает, как загрузить и обучить модель Ultralytics YOLO11 для обнаружения объектов. Можно начать с файла конфигурации YAML или предварительно обученной модели, перенести веса и обучить модель на таких наборах данных, как COCO, чтобы улучшить возможности 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 ее также можно экспортировать в различных форматах для развертывания в разных средах.

Обнаружение объектов с YOLO11 в Ultralytics HUB#

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

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

Рис. 7. Запуск инференса в Ultralytics HUB.

Сочетая гибкость пакета для Python с простотой HUB, Ultralytics YOLO11 позволяет разработчикам и компаниям легко использовать возможности передовой технологии обнаружения объектов.

Основные выводы#

Ultralytics YOLO11 устанавливает новый стандарт в области обнаружения объектов, сочетая высокую точность и универсальность для удовлетворения потребностей различных отраслей. От улучшения аналитики в розничной торговле до управления инфраструктурой умных городов — YOLO11 создан для надежной работы в реальном времени во множестве приложений.

Благодаря возможности пользовательского обучения и удобному интерфейсу Ultralytics HUB интегрировать YOLO11 в рабочие процессы стало как никогда просто. Будь ты разработчиком, изучающим компьютерное зрение, или компанией, стремящейся внедрять инновации с помощью AI, YOLO11 предлагает необходимые для успеха инструменты.

Чтобы узнать больше, загляни в наш репозиторий на GitHub и присоединяйся к нашему сообществу. Изучи приложения AI в беспилотных автомобилях и компьютерное зрение в сельском хозяйстве на страницах наших решений. 🚀