Эволюция обнаружения объектов и моделей YOLO от Ultralytics

Computer vision — это подраздел искусственного интеллекта (ИИ), который специализируется на обучении машин распознаванию и пониманию изображений и видео, аналогично тому, как люди воспринимают реальный мир. Если для людей распознавание объектов или идентификация действий является естественным процессом, то для машин эти задачи требуют специфических и специализированных методов компьютерного зрения. Например, одна из ключевых задач в компьютерном зрении — это обнаружение объектов, которое включает в себя определение и локализацию объектов на изображениях или видео.

Начиная с 1960-х годов исследователи работают над улучшением того, как компьютеры могут обнаруживать объекты. Ранние методы, такие как сопоставление с шаблоном, предполагали перемещение предопределенного шаблона по изображению для поиска совпадений. Несмотря на свою инновационность, эти подходы с трудом справлялись с изменениями размера, ориентации объектов и освещения. Сегодня у нас есть передовые модели, такие как Ultralytics YOLO11, которые способны обнаруживать даже мелкие и частично скрытые объекты, известные как окклюдированные объекты, с впечатляющей точностью.

Поскольку computer vision продолжает развиваться, важно оглянуться назад и посмотреть, как развивались эти технологии. В этой статье мы рассмотрим эволюцию object detection и прольем свет на трансформацию YOLO (You Only Look Once) models. Давайте начнем!

Истоки компьютерного зрения#

Прежде чем погружаться в object detection, давай посмотрим, с чего начиналось computer vision. Истоки компьютерного зрения уходят корнями в конец 1950-х и начало 1960-х годов, когда ученые начали исследовать, как мозг обрабатывает визуальную информацию. В ходе экспериментов на кошках исследователи Дэвид Хьюбел и Торстен Визель обнаружили, что мозг реагирует на простые паттерны, такие как границы и линии. Это заложило основу для идеи извлечения признаков — концепции, согласно которой визуальные системы обнаруживают и распознают базовые особенности изображений, такие как границы, прежде чем переходить к более сложным паттернам.

Рис. 1. Изучение реакции мозга кошки на полосы света помогло разработать извлечение признаков в компьютерном зрении.

Примерно в то же время появились новые технологии, способные превращать физические изображения в цифровые форматы, что вызвало интерес к тому, как машины могут обрабатывать визуальную информацию. В 1966 году Проект летнего видения Массачусетского технологического института (MIT) продвинул эти исследования дальше. Хотя проект не увенчался полным успехом, он был направлен на создание системы, способной отделять передний план от заднего на изображениях. Для многих участников сообщества визуального ИИ этот проект знаменует официальное начало computer vision как научной дисциплины.

Понимание истории обнаружения объектов#

По мере развития computer vision в конце 1990-х и начале 2000-х годов методы object detection сместились от базовых подходов вроде сопоставления с шаблоном к более продвинутым методикам. Одним из популярных методов стал каскад Хаара, который получил широкое распространение в таких задачах, как детекция лиц. Он работал путем сканирования изображений скользящим окном, проверки на наличие специфических признаков, таких как края или текстуры в каждой части изображения, а затем объединения этих признаков для обнаружения объектов, например лиц. Каскад Хаара работал значительно быстрее предыдущих методов.

Рис. 2. Использование каскада Хаара для обнаружения лиц.

Параллельно с этим появились такие методы, как гистограмма направленных градиентов (HOG) и машины опорных векторов (SVM). HOG использовала технику скользящего окна для анализа того, как свет и тени меняются в небольших частях изображения, помогая идентифицировать объекты по их форме. Затем SVM классифицировали эти признаки для определения принадлежности объекта. Эти методы повысили точность, но все еще испытывали трудности в реальных условиях и работали медленнее по сравнению с сегодняшними методами.

Потребность в обнаружении объектов в реальном времени#

В 2010-х годах развитие deep learning и Convolutional Neural Networks (CNNs) привело к серьезным изменениям в сфере object detection. Свёрточные нейросети позволили компьютерам автоматически извлекать важные признаки из больших объемов данных, что сделало обнаружение гораздо более точным.

Ранние модели вроде R-CNN (Region-based Convolutional Neural Networks) стали большим шагом вперед в плане точности, помогая определять объекты гораздо точнее по сравнению со старыми методами.

Однако эти модели работали медленно, так как обрабатывали изображения в несколько этапов, что делало их непригодными для приложений реального времени в таких областях, как беспилотные автомобили или видеонаблюдение.

С упором на увеличение скорости были разработаны более эффективные модели. Такие решения, как Fast R-CNN и Faster R-CNN, помогли за счет оптимизации выбора областей интереса и сокращения количества шагов, необходимых для обнаружения. Хотя это ускорило обнаружение объектов, оно все еще было недостаточно быстрым для многих реальных сценариев использования, требующих мгновенных результатов. Растущий спрос на детектирование в реальном времени подстегнул разработку еще более быстрых и эффективных решений, способных соблюдать баланс между скоростью и точностью.

Рис. 3. Сравнение скорости работы R-CNN, Fast R-CNN и Faster R-CNN.

Модели YOLO (You Only Look Once): важная веха#

YOLO — это модель object detection, которая перевернула представления о компьютерном зрении, обеспечив обнаружение нескольких объектов на изображениях и видео в режиме реального времени, что делает ее совершенно уникальной по сравнению с предыдущими методами детекции. Вместо анализа каждого обнаруженного объекта по отдельности архитектура YOLO рассматривает обнаружение объектов как единую задачу, предсказывая как местоположение, так и класс объектов за один проход с помощью CNN.

Модель работает путем разделения изображения на сетку, причем каждый фрагмент отвечает за обнаружение объектов в своей зоне. Она делает множество предсказаний для каждого участка и отсеивает результаты с низкой уверенностью, оставляя только точные.

Рис. 4. Обзор принципа работы YOLO.

Появление YOLO в приложениях компьютерного зрения сделало обнаружение объектов намного быстрее и эффективнее по сравнению с ранними моделями. Благодаря своей скорости и точности YOLO быстро завоевала популярность для создания решений реального времени в таких отраслях, как производство, здравоохранение и робототехника.

Еще один важный момент: поскольку YOLO была проектом с открытым исходным кодом, разработчики и исследователи смогли постоянно улучшать её, что привело к созданию еще более совершенных версий.

Путь от YOLO до Ultralytics YOLO11#

Модели YOLO постепенно совершенствовались с течением времени, основываясь на достижениях каждой предыдущей версии. Помимо улучшения производительности, эти изменения сделали модели более доступными для пользователей с разным уровнем технической подготовки.

Например, с появлением Ultralytics YOLOv5 развертывание моделей на базе PyTorch стало проще, позволив более широкому кругу пользователей работать с продвинутым ИИ. Эта модель объединила в себе точность и удобство использования, предоставив большему количеству людей возможность внедрять детекцию объектов без необходимости быть экспертами в программировании.

Рис. 5. Эволюция моделей YOLO.

Ultralytics YOLOv8 продолжила этот прогресс, добавив поддержку таких задач, как сегментация экземпляров, и повысив гибкость моделей. Использовать YOLO стало проще как для базовых, так и для более сложных задач, что сделало ее полезной в самых разных сценариях.

В новейшей модели Ultralytics YOLO11 были сделаны дополнительные оптимизации. За счет сокращения числа параметров при одновременном повышении точности она стала эффективнее для задач реального времени. Независимо от того, являешься ли ты опытным разработчиком или новичком в ИИ, YOLO11 предлагает легкодоступный и продвинутый подход к обнаружению объектов.

Знакомство с Ultralytics YOLO11: новые функции и улучшения#

YOLO11, представленная на ежегодном гибридном мероприятии Ultralytics YOLO Vision 2024 (YV24), поддерживает те же задачи компьютерного зрения, что и YOLOv8: обнаружение объектов, сегментацию экземпляров, классификацию изображений и оценку позы. Таким образом, пользователи могут легко перейти на новую модель без необходимости менять свои рабочие процессы. Кроме того, обновленная архитектура YOLO11 делает предсказания еще точнее. Фактически, YOLO11m достигает более высокой средней точности (mAP) на датасете COCO, используя на 22% меньше параметров, чем YOLOv8m.

YOLO11 также оптимизирована для эффективной работы на самых разных платформах: от смартфонов и других периферийных устройств до более мощных облачных систем. Такая гибкость гарантирует стабильную производительность на различных аппаратных конфигурациях для приложений реального времени. Вдобавок к этому YOLO11 работает быстрее и эффективнее, снижая вычислительные затраты и ускоряя инференс. Независимо от того, используешь ли ты пакет Ultralytics для Python или не требующий кода Ultralytics HUB, интегрировать YOLO11 в существующие рабочие процессы очень просто.

Будущее моделей YOLO и обнаружения объектов#

Влияние продвинутого обнаружения объектов на приложения реального времени и периферийный ИИ уже ощущается в разных отраслях. Поскольку такие сектор, как нефтегазовый, здравоохранение и retail, все больше полагаются на ИИ, спрос на быстрое и точное обнаружение объектов продолжает расти. Ultralytics YOLO11 призвана удовлетворить этот спрос, обеспечивая высокопроизводительное обнаружение даже на устройствах с ограниченной вычислительной мощностью.

По мере развития edge AI модели обнаружения объектов вроде Ultralytics YOLO11, скорее всего, станут еще более важными для принятия решений в реальном времени в условиях, где критически важны скорость и точность. Благодаря постоянным улучшениям дизайна и адаптивности будущее обнаружения объектов сулит еще больше инноваций в самых разных приложениях.

Основные выводы#

Обнаружение объектов прошло долгий путь, эволюционировав от простых методов до передовых техник глубокого обучения, которые мы видим сегодня. Модели YOLO находились в центре этого прогресса, обеспечивая более быстрое и точное обнаружение в реальном времени в различных отраслях. Ultralytics YOLO11 опирается на это наследие, повышая эффективность, снижая вычислительные затраты и улучшая точность, что делает ее надежным выбором для множества приложений реального времени. С учетом текущих достижений в области ИИ и компьютерного зрения будущее обнаружения объектов выглядит многообещающе, оставляя простор для дальнейшего повышения скорости, точности и адаптивности.

Интересуешься ИИ? Оставайся на связи с нашим сообществом, чтобы продолжать учиться! Посети наш репозиторий на GitHub, чтобы узнать, как мы используем ИИ для создания инновационных решений в таких отраслях, как производство и здравоохранение. 🚀