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. Famosi dataset come ImageNet contengono milioni di immagini classificate in migliaia di classi. Durante l'addestramento, il modello impara a identificare i modelli e le caratteristiche - come texture, forme e distribuzione dei colori - che distinguono le diverse categorie. Framework come PyTorch e TensorFlow forniscono gli strumenti per costruire e addestrare questi modelli. Puoi esplorare diversi dataset di classificazioneUltralytics per avviare i tuoi progetti. L'obiettivo è che il modello addestrato preveda con precisione l'etichetta della classe per nuove immagini non viste. Per una comprensione tecnica più approfondita, risorse come il corso CS231n di Stanford offrono materiale completo sulle CNN.

Differenze chiave rispetto ad altri compiti

La classificazione delle immagini si concentra sull'assegnazione di una singola etichetta all'intera immagine. Ciò la distingue da altri compiti comuni di CV:

• Rilevamento di oggetti: Identifica più oggetti all'interno di un'immagine e li localizza utilizzando i riquadri di delimitazione. Risponde alla domanda "Quali oggetti sono presenti nell'immagine e dove si trovano?".
• Segmentazione delle istanze: Fa un passo avanti rispetto al rilevamento degli oggetti, delineando i confini esatti dei pixel di ogni istanza di oggetto distinta.
• Segmentazione semantica: Classifica ogni pixel dell'immagine in un insieme di categorie predefinite (ad esempio, "cielo", "strada", "auto"), ma non distingue tra le singole istanze della stessa categoria.

Comprendere queste differenze è fondamentale per selezionare la tecnica più adatta a un determinato problema.

Applicazioni del mondo reale

La classificazione delle immagini è ampiamente utilizzata in diversi ambiti grazie alla sua relativa semplicità ed efficacia:

• Analisi delle immagini mediche: Classificazione di scansioni mediche come radiografie o risonanze magnetiche per facilitare la diagnosi di patologie. Ad esempio, i modelli possono essere addestrati per classificare le immagini in base alla presenza o all'assenza di tumori, come dimostrato dall'uso di YOLOv11 per il rilevamento dei tumori. Scopri di più su AI in Healthcare Solutions.
• Tecnologia per l'agricoltura: Identificare i tipi di colture, rilevare le malattie delle piante dalle immagini delle foglie o selezionare i prodotti in base alla qualità. Scopri di più sulla computer vision in agricoltura.
• Vendita al dettaglio ed e-commerce: Categorizzazione automatica dei prodotti nei cataloghi online o abilitazione di funzionalità di ricerca visiva in cui gli utenti possono trovare i prodotti utilizzando le immagini.
• Moderazione dei contenuti: Identificazione e segnalazione automatica di immagini inappropriate o dannose su siti web e piattaforme di social media.
• Conservazione della fauna selvatica: Classificare le specie animali catturate dalle trappole con telecamera per monitorare le popolazioni e la biodiversità.

Classificazione delle immagini con Ultralytics

I modelli Ultralytics YOLO , famosi per il rilevamento degli oggetti, eccellono anche nelle attività di classificazione delle immagini. Le architetture moderne come Ultralytics YOLOv11 possono essere facilmente addestrate per la classificazione utilizzando il 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 YOLOv11 per la classificazione delle immagini. Per esercitarti, considera l'opportunità di esplorare i tutorial di classificazione diPyTorch o di partecipare alle gare di classificazione di immagini di Kaggle. Resta aggiornato sugli ultimi progressi della ricerca grazie a risorse come Papers With Code.