Görüntü Sınıflandırması

Görüntü sınıflandırma temel bir görevdir atamayı içeren bilgisayar görüşü (CV) görsel içeriğine dayalı olarak tüm bir dijital görüntüye tek bir etiket veya kategori. Bu süreç makinelerin şunları yapmasını sağlar Görsel verilerdeki desenleri, nesneleri veya sahneleri tanıyarak dünyayı "görmek" ve yorumlamak. Bir çekirdek olarak bileşeni yapay zeka (AI), hizmet eder Daha karmaşık görsel tanıma sistemleri için yapı taşı olarak, otomatik sistemlerin geniş bir alanı kategorize etmesine izin verir. miktarda görsel bilgiyi verimli bir şekilde kullanabilir.

Görüntü Sınıflandırması Nasıl Çalışır?

Teknik düzeyde, görüntü sınıflandırması aşağıdakilere dayanır makine öğrenimi (ML) algoritmaları, özellikle olarak bilinen derin öğrenme (DL) modelleri Konvolüsyonel Sinir Ağları (CNN'ler). Bu ağlar piksel verilerini işlemek ve otomatik olarak aşağıdakileri gerçekleştirmek için tasarlanmıştır özellik çıkarma, düşük seviyeli tanımlama Erken katmanlarda kenarlar ve dokular gibi özellikler ve daha derin katmanlarda karmaşık şekiller.

Süreç tipik olarak bir denetimli öğrenme yaklaşımı:

1. Eğitim: Model, aşağıdaki gibi etiketli bir veri kümesiyle beslenir ImageNetkategorileri bilinen binlerce veya milyonlarca görüntü içerir.
2. Öğrenmek: İçinden geri yayılım, ağ kendi iç Tahmin hatalarını en aza indirmek için model ağırlıkları.
3. Çıkarım: Model eğitildikten sonra yeni, görülmemiş görüntüleri analiz edebilir ve bir olasılık puanı verebilir bir softmax fonksiyonu kullanarak her sınıf için. Kategori en yüksek olasılığa sahip olan nihai etiket olarak atanır.

Gibi popüler çerçeveler PyTorch ve TensorFlow bunları oluşturmak ve eğitmek için gerekli araçları sağlamak sofistike mimariler.

Sınıflandırmayı İlgili Görevlerden Ayırt Etme

Görüntü sınıflandırma "Bu görüntüde ne var?" sorusuna cevap verirken, genellikle diğer görüntü sınıflandırma yöntemleriyle karıştırılır. bilgisayarla görme görevleri. Farklılıkları anlamak, bir proje için doğru aracı seçmek açısından çok önemlidir:

• Nesne Algılama: Tüm görüntüyü etiketleyen sınıflandırmanın aksine, nesne algılama nesnelerin nerede olduğunu tanımlar bulunur. Her nesnenin etrafına bir sınırlayıcı kutu çizer ve bunları ayrı ayrı sınıflandırır.
• Görüntü Segmentasyonu: Bu, piksel düzeyinde hassasiyet sunar. Anlamsal segmentasyon her bir pikseli bir kategoriye (örneğin, yol vs. gökyüzü) ayırırken örnek segmentasyonu aşağıdakiler arasında ayrım yapar aynı sınıftan ayrı ayrı nesneler.

Gerçek Dünya Uygulamaları

Görüntü sınıflandırma, otomasyonu teşvik eden ve karar verme süreçlerini geliştiren endüstrilerde her yerde bulunur.

1. Tıbbi Görüntüleme ve Sağlık Hizmetleri

Tıbbi görüntü analizi alanında, sınıflandırma modelleri, taramaları önceden tarayarak radyologlara yardımcı olur. Örneğin, algoritmalar göğüs röntgenlerini classify veya MRI'ları "normal" veya "anormal" olarak değerlendirerek zatürre veya tümör gibi potansiyel sorunları öncelikli olarak işaretlemek gözden geçirin. Ulusal Sağlık Enstitüleri (NIH) tarafından yapılan araştırma, yapay zekanın hastalığın erken teşhisine yardımcı olarak hasta sonuçlarını önemli ölçüde iyileştirir. Çalışmalarımız hakkında daha fazla bilgi için YOLO11 kullanarak tümör tespiti.

2. Akıllı Tarım

Hassas tarım, mahsul sağlığını izlemek için görüntü sınıflandırmasını kullanır. Kameralarla donatılmış dronlar, aşağıdakilerin görüntülerini yakalar Bu bitkiler daha sonra sağlıklı, besin eksikliği olan veya hastalıklı olarak classify üzere analiz edilir. Bu sayede Hedeflenen müdahale, kimyasal kullanımını azaltır ve verimi artırır. Bu Amerika Birleşik Devletleri Tarım Bakanlığı (USDA) bu tür teknolojilerin sürdürülebilir tarım uygulamalarını nasıl desteklediğini vurgulamaktadır. Ultralytics 'in nasıl desteklediğini öğrenin Tarımda yapay zeka modern devrim yaratacak Çiftçilik.

YOLO11 ile Sınıflandırmanın Uygulanması

Tespit konusunda ünlü olsa da Ultralytics YOLO11 mimarisi de aşağıdakiler için oldukça verimlidir görüntü sınıflandırma görevleri. Hız dengesi sunar ve doğruluk, gerçek zamanlı uygulamalar için uygun hale getirir.

Burada, bir görüntüyü classify için önceden eğitilmiş bir YOLO11 modelinin nasıl kullanılacağına dair kısa bir örnek verilmiştir. ultralytics Python paketi:

from ultralytics import YOLO

# Load a pre-trained YOLO11 classification model
model = YOLO("yolo11n-cls.pt")

# Run inference on an external image URL
results = model("https://ultralytics.com/images/bus.jpg")

# Print the top predicted class name
print(f"Predicted class: {results[0].names[results[0].probs.top1]}")

Kendi çözümlerini oluşturmak isteyen kullanıcılar için şunları yapabilirsiniz Aynı basit sistemi kullanarak belirli veri kümeleri üzerinde özel modeller eğitin API. gibi araçları kullanarak uç cihazlara dağıtıyor olsanız da OpenCV veya ölçek büyütme bulut altyapısı ile modern sınıflandırma modelleri, çeşitli dağıtımlar için gereken çok yönlülüğü sağlar Senaryolar.