Classification des images

Comment fonctionne la classification des images

Le processus consiste généralement à former un modèle, souvent un type spécialisé de réseau neuronal appelé réseau neuronal convolutif (CNN), sur un grand ensemble de données d'images étiquetées. Des ensembles de données célèbres comme ImageNet contiennent des millions d'images classées en milliers de classes. Au cours de la formation, le modèle apprend à identifier les modèles et les caractéristiques, tels que les textures, les formes et les distributions de couleurs, qui permettent de distinguer les différentes catégories. Des outils comme PyTorch et TensorFlow fournissent les outils nécessaires à la construction et à l'entraînement de ces modèles. Tu peux explorer divers ensembles de données de classificationUltralytics pour démarrer tes propres projets. L'objectif est que le modèle entraîné prédise avec précision l'étiquette de la classe pour de nouvelles images inédites. Pour une compréhension technique plus approfondie, des ressources telles que le cours CS231n de Stanford offrent une documentation complète sur les CNN.

Principales différences avec les autres tâches

La classification d'images se concentre sur l'attribution d'une seule étiquette à l'image entière. C'est ce qui la distingue des autres tâches courantes de CV :

• Détection d'objets: Identifie plusieurs objets dans une image et localise chacun d'eux à l'aide de boîtes de délimitation. Elle répond à la question "Quels sont les objets présents sur l'image et où sont-ils ?".
• Segmentation des instances: Va plus loin que la détection des objets en définissant les limites exactes des pixels de chaque instance d'objet distincte.
• Segmentation sémantique: Classe chaque pixel de l'image dans un ensemble de catégories prédéfinies (par exemple, "ciel", "route", "voiture"), mais ne fait pas la différence entre les instances individuelles de la même catégorie.

Il est essentiel de comprendre ces différences pour choisir la technique appropriée à un problème donné.

Applications dans le monde réel

La classification des images est largement utilisée dans divers domaines en raison de sa relative simplicité et de son efficacité :

• Analyse d'images médicales: Classifier les scans médicaux tels que les radiographies ou les IRM pour aider à diagnostiquer des conditions. Par exemple, des modèles peuvent être formés pour classer les images en fonction de la présence ou de l'absence de tumeurs, comme le montre l'utilisation de YOLOv11 pour la détection des tumeurs. En savoir plus sur l'IA dans les solutions de santé.
• Technologie agricole: Identifier les types de cultures, détecter les maladies des plantes à partir d'images de feuilles, ou trier les produits en fonction de leur qualité. En savoir plus sur la vision par ordinateur dans l'agriculture.
• Vente au détail et commerce électronique: Catégoriser automatiquement les produits dans les catalogues en ligne ou permettre des fonctionnalités de recherche visuelle où les utilisateurs peuvent trouver des produits à l'aide d'images.
• Modération de contenu: Identifier et signaler automatiquement les images inappropriées ou nuisibles sur les sites Web et les plateformes de médias sociaux.
• Conservation de la faune et de la flore: Classification des espèces animales capturées par des pièges photographiques pour surveiller les populations et la biodiversité.

Classification d'images avec Ultralytics

Les modèles Ultralytics YOLO , réputés pour la détection d'objets, excellent également dans les tâches de classification d'images. Les architectures modernes comme Ultralytics YOLOv11 peuvent être facilement entraînées à la classification à l'aide du packageUltralytics Python ou de la plateforme sans code Ultralytics HUB. Ces outils fournissent des ressources complètes, notamment des conseils pour l'entraînement des modèles et une documentation claire comme le guide sur l'utilisation d'Ultralytics YOLOv11 pour la classification d'images. Pour t'entraîner, pense à explorer les tutoriels de classificationPyTorch ou à participer aux concours de classification d'images Kaggle. Reste au courant des dernières avancées de la recherche grâce à des ressources telles que Papers With Code.