visione artificialerilevamento di oggetticlassificazione delle immaginiapprendimento profondointelligenza artificialeapprendimento automatico
Rilevamento di oggetti tramite visione artificiale vs. compiti di classificazione delle immagini
Il rilevamento di oggetti e la classificazione delle immagini sono entrambi compiti fondamentali della visione artificiale, ma servono a scopi fondamentalmente diversi. La classificazione assegna un'etichetta a un'intera immagine con una singola categoria, mentre il rilevamento di oggetti individua e identifica più oggetti all'interno di una scena. La scelta tra i due dipende dal fatto che si debba sapere cosa è presente in un'immagine o dove sono posizionati elementi specifici.
In evidenza
Il rilevamento degli oggetti fornisce la localizzazione spaziale tramite riquadri di delimitazione, mentre la classificazione produce una sola etichetta per immagine.
I modelli di classificazione sono notevolmente più veloci e richiedono meno potenza di calcolo rispetto ai modelli di rilevamento.
Il rilevamento richiede costose annotazioni di riquadri di delimitazione, mentre la classificazione necessita solo di etichette a livello di immagine.
Entrambi i compiti condividono architetture di base come le reti ResNet, ma il rilevamento aggiunge unità di predizione della regione per la localizzazione.
Cos'è Rilevamento di oggetti tramite visione artificiale?
Identifica e localizza più oggetti all'interno di un'immagine utilizzando riquadri di delimitazione ed etichette di classe.
Il rilevamento degli oggetti combina la classificazione con la localizzazione, prevedendo sia quali oggetti sono presenti sia dove appaiono in coordinate di pixel.
Tra le architetture più diffuse si annoverano YOLO, Faster R-CNN, SSD e DETR, ognuna delle quali bilancia velocità e precisione in modo diverso.
dataset Pascal VOC e COCO sono stati dei benchmark fondamentali, con COCO che contiene oltre 330.000 immagini e 2,5 milioni di istanze etichettate.
I moderni rilevatori sono in grado di elaborare i video in tempo reale, con YOLOv8 e YOLOv9 che raggiungono velocità di inferenza superiori a 100 FPS su hardware appropriato.
Le applicazioni spaziano dai veicoli autonomi ai sistemi di sorveglianza, dalla diagnostica per immagini all'analisi dei dati di vendita al dettaglio e al monitoraggio agricolo.
Cos'è Compiti di classificazione delle immagini?
Assegna un'unica etichetta o categoria a un'intera immagine in base al suo contenuto visivo dominante.
La classificazione delle immagini produce una o più etichette per un'intera immagine senza indicare la posizione spaziale degli oggetti.
Il dataset ImageNet, con oltre 14 milioni di immagini etichettate in 20.000 categorie, ha dato impulso alla rivoluzione del deep learning nel 2012, quando AlexNet ha vinto la competizione ILSVRC.
Tra le architetture fondamentali si annoverano ResNet, VGG, Inception, EfficientNet e Vision Transformers (ViT).
modelli di classificazione in genere sono più veloci dei modelli di rilevamento perché richiedono un solo passaggio in avanti per immagine, senza proposte di regioni.
Tra le applicazioni più comuni si annoverano la moderazione dei contenuti, la diagnosi medica tramite radiografie, il controllo qualità nella produzione e l'identificazione delle specie in ecologia.
Tabella di confronto
Funzionalità
Rilevamento di oggetti tramite visione artificiale
Compiti di classificazione delle immagini
Uscita primaria
Riquadri di delimitazione con etichette di classe e punteggi di confidenza
Etichetta di classe singola per l'intera immagine
Informazioni spaziali
Fornisce la posizione precisa degli oggetti utilizzando le coordinate
Non sono fornite informazioni spaziali o di posizione.
Numero di oggetti
Può rilevare più oggetti contemporaneamente
Identifica solo il soggetto dominante
Costo computazionale
Più alto a causa delle proposte regionali e delle molteplici previsioni
Abbassare con un singolo passaggio in avanti per immagine
Complessità del modello
Più complesso, con componenti quali colonna vertebrale, collo e testa.
Architettura più semplice incentrata sull'estrazione delle caratteristiche.
Intervallo di precisione tipico
mAP 40-65 sul benchmark COCO per i modelli all'avanguardia
Precisione di prim'ordine (85-91%) su ImageNet per i modelli principali
Requisiti dei dati di formazione
Richiede annotazioni del riquadro di delimitazione, più costose da etichettare
Richiede solo etichette a livello di immagine, è più economico annotarle
Velocità di inferenza
Possibilità di elaborazione in tempo reale (30-100+ FPS) con modelli ottimizzati
Molto veloce, spesso oltre 100 FPS anche su hardware modesto
Caso d'uso ideale
Scene con più oggetti che necessitano di localizzazione
Immagini di un singolo soggetto che richiedono l'identificazione della categoria
Confronto dettagliato
Scopo e risultato principali
La differenza fondamentale risiede nell'obiettivo che ciascun compito si prefigge. La classificazione delle immagini risponde alla domanda "cosa c'è in questa immagine?" assegnando una o più etichette all'intera immagine. Il rilevamento degli oggetti va oltre, rispondendo alla domanda "cosa c'è in questa immagine e dove si trova esattamente?" utilizzando dei riquadri di delimitazione attorno a ciascun elemento rilevato. Se si carica una foto di strada, un classificatore potrebbe etichettarla come "scena urbana", mentre un rilevatore disegnerebbe dei riquadri attorno a singole auto, pedoni, semafori e segnali stradali.
Architettura e progettazione di modelli
modelli di classificazione tendono a seguire un flusso di lavoro semplice: una rete neurale di base estrae le caratteristiche e un classificatore principale genera le probabilità. I modelli di rilevamento degli oggetti sono intrinsecamente più complessi, tipicamente costituiti da una rete neurale di base per l'estrazione delle caratteristiche, un nodo intermedio per la fusione delle caratteristiche e un nodo principale che predice sia le classi che le coordinate del riquadro di delimitazione. Questa maggiore complessità è il motivo per cui i modelli di rilevamento richiedono più parametri e risorse computazionali per raggiungere un'accuratezza comparabile sui rispettivi benchmark.
Dati di addestramento e annotazioni
dataset per la classificazione delle immagini necessitano solo di etichette a livello di immagine, il che li rende più economici e veloci da produrre su larga scala. Il rilevamento degli oggetti richiede annotazioni di riquadri di delimitazione per ogni istanza di oggetto, un processo che può richiedere da 10 a 100 volte più tempo per immagine a seconda della complessità della scena. Dataset come COCO hanno richiesto migliaia di ore di annotazione per essere completati, mentre le etichette di classificazione di ImageNet sono state generate in tempi relativamente brevi tramite crowdsourcing attraverso servizi come Amazon Mechanical Turk.
Compromessi tra prestazioni e velocità
I modelli di classificazione generalmente sono più veloci e raggiungono una maggiore precisione sui loro benchmark perché il compito è più semplice. I classificatori all'avanguardia superano il 91% di precisione top-1 su ImageNet, mentre i migliori rilevatori di oggetti raggiungono circa 63-65 mAP su COCO. Tuttavia, i modelli di rilevamento hanno fatto notevoli progressi in termini di velocità, con rilevatori a singolo stadio come YOLO che stanno colmando il divario per consentire applicazioni in tempo reale. La scelta spesso si riduce a decidere se è necessaria la precisione spaziale o la massima velocità di elaborazione.
Applicazioni nel mondo reale
La classificazione si rivela particolarmente utile in scenari in cui la posizione non è rilevante, come ad esempio per filtrare contenuti inappropriati, diagnosticare malattie da scansioni mediche o smistare prodotti per categoria. Il rilevamento di oggetti è invece essenziale quando la posizione è importante, ad esempio nella guida autonoma (identificazione di pedoni e altri veicoli), nella gestione dell'inventario al dettaglio, nel monitoraggio della fauna selvatica e nella manipolazione robotica. Molti sistemi di produzione combinano entrambe le tecniche, utilizzando la classificazione per filtrare rapidamente le immagini prima di eseguire il rilevamento su quelle pertinenti.
Pro e Contro
Rilevamento di oggetti tramite visione artificiale
Vantaggi
+Fornisce le posizioni degli oggetti
+Gestisce più oggetti
+output spaziale ricco
+Consente casi d'uso in tempo reale
+Applicazioni versatili
Consentiti
−Costo computazionale più elevato
−Sono necessarie annotazioni costose
−Più complesso da allenare
−Minore precisione del benchmark
Compiti di classificazione delle immagini
Vantaggi
+Velocità di inferenza elevata
+Architettura più semplice
+Annotare costa meno
+Elevata precisione di riferimento
+Facile da implementare
Consentiti
−Nessuna informazione spaziale
−limitazione a etichetta singola
−Manca più oggetti
−Comprensione limitata della scena
Idee sbagliate comuni
Mito
Il rilevamento degli oggetti non è altro che classificazione con passaggi aggiuntivi.
Realtà
Sebbene la classificazione sia una componente del rilevamento, il rilevamento degli oggetti aggiunge un ramo di localizzazione che predice le coordinate, rendendolo un compito fondamentalmente diverso. Le architetture, le funzioni di perdita e le metriche di valutazione differiscono in modo significativo. I modelli di rilevamento devono gestire un numero variabile di oggetti per immagine, cosa che la classificazione non incontra mai.
Mito
Una maggiore accuratezza nella classificazione si traduce in migliori prestazioni di rilevamento.
Realtà
Un modello che eccelle nella classificazione su ImageNet non si comporta automaticamente bene nel rilevamento di oggetti. Il rilevamento richiede che l'infrastruttura preservi le informazioni spaziali anziché ridurle a un singolo vettore, ed è per questo che esistono architetture e strategie di addestramento specifiche per il rilevamento.
Mito
È possibile convertire facilmente un classificatore in un rilevatore.
Realtà
Sebbene tecniche come Grad-CAM possano evidenziare le regioni su cui un classificatore si concentra, queste mappe di calore non rappresentano riquadri di delimitazione precisi. La creazione di un vero rilevatore richiede un nuovo addestramento con annotazioni di riquadri di delimitazione e un'architettura specifica per il rilevamento. I due compiti non sono intercambiabili.
Mito
Nei compiti reali, il rilevamento degli oggetti è sempre più efficace della classificazione.
Realtà
Il rilevamento è eccessivo per molte applicazioni. Se è sufficiente sapere se un'immagine contiene un gatto, l'esecuzione di un modello di rilevamento completo spreca risorse. La classificazione rimane la scelta migliore quando la posizione è irrilevante e l'utilizzo del rilevamento non necessario aumenta la latenza e i costi dell'infrastruttura.
Mito
I moderni rilevatori di oggetti funzionano perfettamente in qualsiasi ambiente.
Realtà
I modelli di rilevamento faticano a gestire occlusioni, oggetti di piccole dimensioni, angolazioni insolite e variazioni di distribuzione. I modelli più avanzati falliscono ancora in casi limite che gli esseri umani gestiscono senza problemi, ed è per questo che applicazioni critiche per la sicurezza come la guida autonoma richiedono un'ampia validazione e ridondanza.
Domande frequenti
Qual è la principale differenza tra rilevamento di oggetti e classificazione di immagini?
La classificazione delle immagini assegna un'unica etichetta all'intera immagine, rispondendo alla domanda "cos'è questo?". Il rilevamento degli oggetti va oltre, localizzando gli oggetti con riquadri di delimitazione e rispondendo alla domanda "cos'è questo e dove si trova?". La differenza fondamentale risiede nelle informazioni spaziali: la classificazione ignora la posizione degli oggetti, mentre il rilevamento fornisce coordinate precise per ogni elemento identificato.
Quale compito è più difficile da svolgere per l'intelligenza artificiale?
Il rilevamento degli oggetti è generalmente considerato più difficile perché richiede la risoluzione simultanea sia della classificazione che della localizzazione. Il modello deve prevedere un numero variabile di oggetti, gestire riquadri sovrapposti e mantenere l'accuratezza spaziale. La classificazione, invece, deve solo determinare il contenuto dominante, il che la rende un problema di apprendimento più semplice con una maggiore accuratezza raggiungibile sui benchmark standard.
È possibile utilizzare il rilevamento di oggetti per la classificazione delle immagini?
Sì, ma è inefficiente. Puoi eseguire un rilevatore di oggetti e utilizzare le classi rilevate come etichette di classificazione, ma questo spreca risorse computazionali poiché il rilevamento è più oneroso. Un classificatore dedicato sarà più veloce e preciso per attività di pura classificazione. Il rilevamento giustifica il sovraccarico solo quando hai effettivamente bisogno delle posizioni dei riquadri di delimitazione.
Quali sono i set di dati migliori per addestrare ciascun compito?
Per la classificazione, ImageNet rimane il punto di riferimento con 14 milioni di immagini suddivise in migliaia di categorie. CIFAR-10 e CIFAR-100 sono popolari per esperimenti su scala ridotta. Per il rilevamento di oggetti, COCO (Common Objects in Context) è il benchmark più utilizzato con 330.000 immagini e 80 categorie di oggetti. Pascal VOC è un altro dataset classico spesso utilizzato per l'apprendimento e la prototipazione.
Con quali modelli dovrebbero iniziare i principianti?
Per la classificazione, si consiglia di iniziare con ResNet-50 o EfficientNet-B0, che offrono un buon rapporto accuratezza-complessità e un'ampia documentazione. Per il rilevamento di oggetti, YOLOv5 o YOLOv8 sono adatti ai principianti grazie alle loro API semplici, alle comunità attive e ai pesi pre-addestrati. Faster R-CNN è più preciso ma più difficile da configurare per chi è alle prime armi.
Di quanti dati di addestramento hai bisogno per ogni attività?
La classificazione può funzionare con centinaia o qualche migliaio di immagini per classe, utilizzando il trasferimento di apprendimento da modelli pre-addestrati. Il rilevamento di oggetti in genere richiede più dati, spesso almeno diverse migliaia di immagini annotate, perché il modello deve imparare sia a riconoscere gli oggetti sia a prevedere riquadri di delimitazione accurati. Il rilevamento con pochi scatti rimane un'area di ricerca attiva.
YOLO è un modello di classificazione o di rilevamento?
YOLO (You Only Look Once) è un modello di rilevamento di oggetti, non un classificatore. Prevede simultaneamente i riquadri di delimitazione e le probabilità di classe in un singolo passaggio in avanti, il che lo rende uno dei rilevatori in tempo reale più veloci disponibili. Esistono varianti di classificazione dell'architettura YOLO, ma le versioni originali e più popolari sono progettate per il rilevamento.
Di quale hardware hai bisogno per far funzionare questi modelli?
I modelli di classificazione possono essere eseguiti agevolmente sulle CPU per l'inferenza, e persino i dispositivi mobili li gestiscono in modo efficiente. Il rilevamento degli oggetti richiede maggiori risorse, soprattutto per le applicazioni in tempo reale. Per l'addestramento di entrambi i compiti è consigliata una GPU moderna, ma l'inferenza per i rilevatori ottimizzati come YOLOv8-nano può essere eseguita su dispositivi edge, inclusi Raspberry Pi e telefoni cellulari.
Come si valuta la prestazione del modello per ciascun compito?
La classificazione utilizza metriche come l'accuratezza top-1, l'accuratezza top-5, la precisione, il richiamo e il punteggio F1. Il rilevamento degli oggetti utilizza la precisione media (mAP) calcolata a varie soglie IoU, come mAP@0,5 o mAP@0,5:0,95 (la metrica COCO). La valutazione del rilevamento è più complessa perché deve tenere conto sia della correttezza della classificazione che dell'accuratezza della localizzazione.
È possibile utilizzare i trasformatori per entrambi gli scopi?
Sì, i Vision Transformer (ViT) e le loro varianti funzionano bene sia per la classificazione che per il rilevamento. Il DETR (Detection Transformer) è stato un modello pionieristico che ha applicato i transformer al rilevamento di oggetti end-to-end. Modelli come lo Swin Transformer fungono da base per entrambi i compiti, raggiungendo spesso risultati all'avanguardia quando sono disponibili dati di addestramento sufficienti.
Verdetto
Scegli la classificazione delle immagini quando devi categorizzare rapidamente le immagini in base al loro contenuto generale e non hai bisogno di informazioni spaziali, soprattutto in ambienti con risorse limitate. Opta per il rilevamento degli oggetti quando la tua applicazione richiede di sapere sia quali oggetti sono presenti sia dove appaiono, accettando il costo computazionale più elevato come compromesso necessario per un output più ricco.
