Classificazione delle immagini

Come funziona la classificazione delle immagini

Il processo prevede in genere l'addestramento di un modello, spesso un tipo specializzato di rete neurale chiamato rete neurale convoluzionale (CNN), su un ampio set di immagini etichettate. I famosi dataset come ImageNet, che contengono milioni di immagini suddivise in migliaia di categorie, sono comunemente utilizzati per l'addestramento di modelli robusti. Durante l'addestramento, il modello impara a identificare i modelli e le caratteristiche distintive - come texture, forme, bordi e distribuzione dei colori - che caratterizzano le diverse categorie. Framework come PyTorch e TensorFlow forniscono gli strumenti e le librerie necessarie per costruire e addestrare questi modelli di deep learning. Puoi esplorare vari dataset di classificazioneUltralytics come CIFAR-100 o MNIST per iniziare i tuoi progetti. L'obiettivo finale è che il modello addestrato sia in grado di prevedere con precisione l'etichetta della classe di appartenenza di nuove immagini inedite. Per una comprensione tecnica più approfondita dei meccanismi sottostanti, risorse come il corso CS231n di Stanford sulle Reti Neurali Convoluzionali per il Riconoscimento Visivo offrono materiale completo.

Differenze chiave rispetto ad altri compiti di visione

La classificazione delle immagini si concentra sull'assegnazione di una singola etichetta generale all'intera immagine. Per questo motivo si distingue da altri compiti comuni di computer vision:

• Rilevamento degli oggetti: Questo compito fa un ulteriore passo avanti, non solo classificando gli oggetti all'interno di un'immagine, ma anche localizzandoli, in genere disegnando dei riquadri di delimitazione intorno a ogni istanza rilevata. Risponde alla domanda "Quali oggetti ci sono in questa immagine e dove si trovano?".
• Segmentazione delle immagini: Si tratta di classificare ogni pixel dell'immagine.
  • Segmentazione semantica assegna un'etichetta di classe (ad esempio, "auto", "strada", "cielo") a ogni pixel, senza distinguere tra diverse istanze della stessa classe.
  • Segmentazione delle istanze distingue tra le singole istanze degli oggetti, assegnando un identificatore unico ai pixel appartenenti a ciascun oggetto separato (ad esempio, etichettando "auto 1", "auto 2").

Comprendere queste differenze è fondamentale per selezionare la tecnica più adatta a un problema specifico, poiché ogni compito fornisce un diverso livello di dettaglio sul contenuto dell'immagine.

Applicazioni del mondo reale

La classificazione delle immagini è ampiamente utilizzata in diversi ambiti grazie alla sua efficacia nel categorizzare le informazioni visive:

• Analisi delle immagini mediche: Classificazione di scansioni mediche (come radiografie, TAC o risonanze magnetiche) per aiutare la diagnosi. Ad esempio, un modello può essere addestrato per classificare le scansioni in base ai segni di una specifica condizione, ad esempio utilizzando i modelli YOLO per il rilevamento dei tumori, assistendo così i radiologi. Esplora altre soluzioni di AI nel settore sanitario.
• Tecnologia agricola: Classificare le immagini delle colture per identificare le malattie, valutare la salute delle piante o determinare la maturazione. Ad esempio, un'applicazione potrebbe classificare le foto scattate da un drone o da un agricoltore come "grano sano" o "ruggine del grano rilevata", consentendo un intervento tempestivo. Scopri di più sulla computer vision in agricoltura.
• Vendita al dettaglio e commercio elettronico: Categorizzazione automatica delle immagini dei prodotti per i cataloghi online, migliorando la ricercabilità e la gestione dell'inventario.
• Moderazione dei contenuti: Filtrare le immagini sui social media o sui siti web classificandole come sicure o inappropriate.
• Conservazione della fauna selvatica: Classificare le immagini delle telecamere per monitorare le popolazioni di animali e identificare le specie(come le zebre).

Classificazione delle immagini con Ultralytics

I modelli Ultralytics YOLO , pur essendo rinomati per il rilevamento degli oggetti, dimostrano anche ottime prestazioni nei compiti di classificazione delle immagini. Architetture all'avanguardia come Ultralytics YOLO11 possono essere facilmente addestrate o messe a punto per la classificazione utilizzando l'intuitivo pacchettoUltralytics Python o la piattaforma no-code Ultralytics HUB. Questi strumenti forniscono risorse complete, tra cui suggerimenti per l'addestramento dei modelli e una documentazione chiara, come la guida su come usare Ultralytics YOLO11 per la classificazione delle immagini. Per esercitarti ulteriormente, considera la possibilità di esplorare i tutorial di classificazione diPyTorch o di partecipare alle gare di classificazione di immagini di Kaggle. Per rimanere aggiornati sugli ultimi progressi della ricerca, risorse come Papers With Code sono preziose. Puoi anche confrontare le prestazioni del modello YOLO su benchmark standard.