So verwendest du Ultralytics YOLO11 zur Instanzsegmentierung

Computer vision, ein Bereich der künstlichen Intelligenz (KI), der Maschinen hilft, visuelle Informationen zu interpretieren und zu verstehen, ermöglicht Aufgaben wie die Instanzsegmentierung. Instanzsegmentierung kann verwendet werden, um ein Bild oder einen Video-Frame zu analysieren und die genauen Grenzen jedes einzelnen Objekts im Bild zu markieren, selbst wenn mehrere Objekte desselben Typs vorhanden sind. Mit ihrer hohen Präzision hat die Instanzsegmentierung ein breites Anwendungsspektrum – von der Unterstützung selbstfahrender Autos bei der Erkennung von Hindernissen auf der Straße bis hin zur Identifizierung von Tumoren in medizinischen Scans.

Im Laufe der Jahre hat sich die Instanzsegmentierung erheblich weiterentwickelt. Eine neuere Entwicklung wurde während der jährlichen Hybridveranstaltung von Ultralytics, YOLO Vision 2024 (YV24), in Form des Modells Ultralytics YOLO11 vorgestellt. Das neue Modell unterstützt dieselben Computer-Vision-Aufgaben (einschließlich Instanzsegmentierung) wie das Modell Ultralytics YOLOv8, sodass Benutzer, die mit früheren Versionen vertraut sind, das neue Modell nahtlos übernehmen können.

Abb. 1. Ein Beispiel für die Verwendung des Ultralytics YOLO11-Modells zur Instanzsegmentierung.

In diesem Artikel werden wir die Instanzsegmentierung untersuchen und wie sie sich von anderen Computer-Vision-Aufgaben wie der semantischen Segmentierung unterscheidet, sowie einige ihrer Anwendungen besprechen. Wir zeigen dir außerdem, wie du das YOLO11-Instanzsegmentierungsmodell mit dem Ultralytics Python-Paket und der Ultralytics HUB-Plattform verwenden kannst. Fangen wir an!

Was ist Instanzsegmentierung?#

Instanzsegmentierung kann verwendet werden, um Objekte in einem Bild zu identifizieren und sie auf Pixelebene zu umranden. Der Prozess beinhaltet typischerweise zunächst das Erkennen von Objekten und das Zeichnen von Bounding Boxes um sie herum. Anschließend klassifiziert ein Segmentierungsalgorithmus jedes Pixel innerhalb der Bounding Box, um eine präzise Maske für jedes Objekt zu erstellen.

Instanzsegmentierung unterscheidet sich auch von Aufgaben wie semantischer Segmentierung und panoptischer Segmentierung. Semantische Segmentierung beschriftet jedes Pixel basierend auf der allgemeinen Kategorie eines Objekts, ohne einzelne Instanzen zu unterscheiden. Panoptische Segmentierung hingegen kombiniert sowohl Instanz- als auch semantische Segmentierung, indem jedes Pixel sowohl mit einer Klasse als auch mit einer Instanz-ID versehen wird, wodurch einzelne Objekte innerhalb jeder Kategorie identifiziert werden.

Abb. 2. Verwendung von YOLO11 zur Erkennung und Segmentierung einer Person und eines Hundes.

Die Funktionen der Instanzsegmentierung können in verschiedenen Szenarien angewendet werden, die unterschiedliche Modelle erfordern können. Beispielsweise könnte ein leichtgewichtigen Modell ideal für die Echtzeitverarbeitung in mobilen Anwendungen sein, während ein komplexeres Modell für hochpräzise Aufgaben wie die Qualitätskontrolle in der Fertigung verwendet werden könnte.

Wie frühere Modelle ist auch das YOLO11-Instanzsegmentierungsmodell in mehreren Varianten erhältlich, je nach deinen Anforderungen. Zu diesen Varianten gehören YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) und YOLO11x-seg (Extra Large). Diese Modelle unterscheiden sich hinsichtlich ihrer Größe, Verarbeitungsgeschwindigkeit, Genauigkeit und der Menge an Rechenleistung, die sie benötigen. Basierend auf deinen spezifischen Anforderungen kannst du das Modell auswählen, das am besten zu deiner Anwendung passt.

Anwendungen der Instanzsegmentierung für YOLO11#

Die fortschrittlichen Fähigkeiten der Instanzsegmentierung von YOLO11 eröffnen eine Reihe von Anwendungsmöglichkeiten in verschiedenen Branchen. Werfen wir einen genaueren Blick auf einige dieser Anwendungen.

Verwendung der YOLO11-Segmentierung in der Öl- und Gasindustrie#

Die Förderung von Öl und Gas erfordert den Umgang mit extrem hohen Druckschwankungen. Techniken wie das Abfackeln von Gas (Gas Flaring) helfen dabei, das bei der Ölgewinnung entstehende Erdgas abzubrennen. Dies ist aus Sicherheitsgründen erforderlich. Beispielsweise könnte bei der Rohölgewinnung ein plötzlicher oder erheblicher Druckanstieg zu einer Explosion führen. Obwohl selten, können Industrieunfälle im Sektor der Öl- und Gasherstellung zu heftigen Bränden führen, die schwer einzudämmen und zu kontrollieren sind. Das Abfackeln von Gas hilft Betreibern, Anlagen sicher zu entpannen und unvorhersehbare, große Druckschwankungen durch das Verbrennen des überschüssigen Gases zu bewältigen.

KI-Systeme können diesen Überwachungsprozess verbessern und das Unfallrisiko kann durch den Einsatz eines auf Instanzsegmentierung basierenden Systems zur Fackelüberwachung gesenkt werden. Die Überwachung des Abfackelns von Gas ist auch aus Umweltgründen wichtig, da ein zu starkes Abfackeln die Umwelt negativ beeinflussen kann.

Ultralytics YOLO11-Instanzsegmentierungsmodelle können verwendet werden, um die Menge an Feuer und Rauch zu überwachen, die durch das Abfackeln verursacht wird. Die Pixelשטä (pixel area) des erkannten und segmentierten Feuers und Rauchs kann berechnet werden. Anhand dieser Informationen erhalten Betreiber Echtzeiteinblicke in das durch das Abfackeln verursachte Feuer und den Rauch, was ihnen hilft, Unfälle und negative Umweltauswirkungen zu verhindern.

Abb. 3. Ein Beispiel für die Fackelüberwachung mit YOLO11 in der Öl- und Gasverarbeitung.

Instanzsegmentierung mit YOLO11 für das Kunststoffabfallmanagement#

Arbeiter in Abfallwirtschafts- und Recyclinganlagen können auf YOLO11-Instanzsegmentierung basierende Systeme verwenden, um Kunststoffabfälle zu identifizieren. YOLO11 kann in robotergestützte Sortiersysteme integriert werden, um verschiedene Abfallmaterialien wie Pappe und Plastik (die getrennt verarbeitet werden sollen) genau zu identifizieren. Dies ist besonders wichtig, wenn man bedenkt, dass von weltweit 7 Milliarden Tonnen Kunststoffabfall nur etwa 10 % recycelt werden.

Die Automatisierung der Identifizierung und Sortierung von Kunststoffabfällen verkürzt die benötigte Zeit im Vergleich zu herkömmlichen Methoden, bei denen Arbeiter Artikel von Hand sortieren, erheblich. Computer-Vision-Modelle können sogar weiche Kunststoffe wie Folien und Tüten segmentieren, die besonders anspruchsvoll sind, da sie sich oft verheddern. YOLO11-Modelle können auch benutzerdefiniert trainiert werden, um verschiedene Kunststoffarten zu segmentieren. In den folgenden Abschnitten erfahren wir mehr darüber, wie du ein YOLO11-Modell benutzerdefiniert trainieren kannst.

Abb. 4. Identifizierung von Kunststoffabfällen mit Ultralytics YOLO11.

YOLO11-Segmentierung in autonomen Fahrzeugen#

Ein weiterer interessanter Anwendungsfall der Instanzsegmentierung sind autonome Autos. YOLO11 ermöglicht es selbstfahrenden Autos, die Sicherheit der Passagiere und anderer Verkehrsteilnehmer zu verbessern, indem es Objekte auf Pixelebene präzise erkennt. Das bordeigene Kamerasystem des Autos kann Bilder der Umgebung aufnehmen und diese mit YOLO11 und Instanzsegmentierung analysieren. Jedes Objekt (Fußgänger, Ampeln, andere Fahrzeuge usw.) innerhalb des Bildes wird segmentiert und mit einem Label versehen. Ein solches Maß an Präzision gibt autonomen Autos die Fähigkeit, jedes einzelne Objekt um sie herum zu identifizieren.

Abb. 5. Verwendung von YOLO11 und Instanzsegmentierung zur Identifizierung von Fahrzeugen und Fußgängern auf der Straße.

Instanzsegmentierung mit dem YOLO11-Modell ausprobieren#

Nachdem wir nun die Instanzsegmentierung untersucht und einige ihrer Anwendungen besprochen haben, schauen wir uns an, wie du sie mit dem Ultralytics YOLO11-Modell ausprobieren kannst.

Dazu gibt es zwei Möglichkeiten: Du kannst entweder das Ultralytics Python-Paket oder den Ultralytics HUB verwenden. Wir werden beides erkunden, beginnend mit dem Python-Paket.

Inferenz mit YOLO11 ausführen#

Das Ausführen einer Inferenz beinhaltet die Verwendung des Modells zur Analyse neuer, zuvor ungesehener Daten. Um eine Inferenz mit dem YOLO11-Instanzsegmentierungsmodell über Code auszuführen, müssen wir das Ultralytics Python-Paket mit pip, conda oder docker installieren. Falls du während der Installation auf Probleme stößt, kannst du in unserem Leitfaden zu häufigen Problemen Hilfe bei der Fehlerbehebung finden. Sobald das Paket installiert ist, kannst du den unten gezeigten Code ausführen, um das YOLO11-Instanzsegmentierungsmodell zu laden und Vorhersagen auf einem Bild durchzuführen.

Abb. 6. Ausführung einer Inferenz auf einem Bild mit YOLO11n-seg.

Training eines benutzerdefinierten YOLO11 Modells#

Mit derselben Code-Einrichtung kannst du auch ein benutzerdefiniertes YOLO11-Modell trainieren. Durch das Fine-Tuning eines YOLO11-Modells kannst du eine benutzerdefinierte Version des Modells erstellen, die deinen spezifischen Projektanforderungen besser entspricht. Beispielsweise können Einzelhändler ein benutzerdefiniertes Modell verwenden, um die physischen Merkmale eines Kunden genau zu segmentieren und Kleidung zu empfehlen, die richtig sitzt. Der folgende Code-Schnipsel zeigt, wie man ein YOLO11-Modell für die Instanzsegmentierung lädt und trainiert. Du kannst von einer YAML-Konfiguration oder einem vortrainierten Modell ausgehen, Gewichte übertragen und auf einem Datensatz wie COCO trainieren, um eine effektive Segmentierung zu erreichen.

Nach Abschluss kannst du Inferenzen mit dem benutzerdefinierten Modell für deine spezifischen Anwendungen durchführen. Über die Exportoption kannst du dein benutzerdefiniertes Modell auch in ein anderes Format exportieren.

YOLO11-Instanzsegmentierung auf dem Ultralytics HUB#

Da wir nun das Ausführen von Inferenzen und das benutzerdefinierte Training eines YOLO11-Instanzsegmentierungsmodells per Code untersucht haben, wollen wir uns eine Alternative ohne Code ansehen: Ultralytics HUB. Ultralytics HUB ist eine intuitive Vision-KI-Plattform, die den Prozess des Trainings und der Bereitstellung von YOLO-Modellen, einschließlich der YOLO11-Instanzsegmentierungsmodelle, vereinfacht.

Um Inferenzen auf Bildern auszuführen, musst du nur Folgendes tun: Erstelle ein Konto, gehe zum Bereich „Models“ und wähle die von dir bevorzugte YOLO11-Modellvariante für die Instanzsegmentierung aus. Du kannst ein Bild hochladen und die Vorhersageergebnisse im Vorschaubereich anzeigen, wie unten dargestellt.

Abb. 7: Ausführen von Inferenzen auf dem Ultralytics HUB.

Wichtige Erkenntnisse#

YOLO11 bietet zuverlässige Fähigkeiten zur Instanzsegmentierung, die in verschiedenen Branchen eine Welt voller Möglichkeiten eröffnen. Von der Verbesserung der Sicherheit in autonomen Fahrzeugen und der Überwachung des Abfackelns in der Öl- und Gasindustrie bis hin zur Automatisierung der Abfalltrennung in Recyclinganlagen – die Präzision auf Pixelebene macht YOLO11 ideal für komplexe Segmentierungsaufgaben.

Mit Optionen für das benutzerdefinierte Training über das Ultralytics Python-Paket und eine No-Code-Einrichtung über den Ultralytics HUB können Anwender YOLO11 nahtlos in ihre Workflows integrieren. Ob für industrielle Anwendungen, das Gesundheitswesen, den Einzelhandel oder die Umweltüberwachung – YOLO11 bringt Flexibilität und Genauigkeit, um vielfältige Segmentierungsanforderungen zu erfüllen.

Um mehr zu erfahren, besuche unser GitHub-Repository und tausche dich mit unserer Community aus. Entdecke KI-Anwendungen in selbstfahrenden Autos und in der Landwirtschaft auf unseren Lösungsseiten. 🚀