So verwendest du Ultralytics YOLO11 zur Instanzsegmentierung

Computer Vision, ein Bereich der künstlichen Intelligenz (KI), der Maschinen dabei hilft, visuelle Informationen zu interpretieren und zu verstehen, ermöglicht Aufgaben wie die Instanzsegmentierung. Instanzsegmentierung kann verwendet werden, um ein Bild oder einen Videoframe zu analysieren und die exakten Grenzen jedes einzelnen Objekts im Bild zu markieren, selbst wenn mehrere Objekte desselben Typs vorhanden sind. Dank 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 aktuelle Neuerung wurde während des jährlichen Hybrid-Events von Ultralytics, YOLO Vision 2024 (YV24), in Form des Ultralytics YOLO11-Modells vorgestellt. Das neue Modell unterstützt dieselben Computer-Vision-Aufgaben (einschließlich Instanzsegmentierung) wie das Ultralytics YOLOv8-Modell, sodass Anwender, die mit früheren Versionen vertraut sind, nahtlos auf das neue Modell umsteigen können.

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

In diesem Artikel untersuchen wir die Instanzsegmentierung und wie sie sich von anderen Computer-Vision-Aufgaben wie der semantischen Segmentierung unterscheidet. Zudem besprechen wir einige ihrer Anwendungsbereiche. Wir gehen außerdem durch, wie du das YOLO11-Modell für die Instanzsegmentierung mit dem Ultralytics Python-Paket und der Ultralytics HUB-Plattform nutzen kannst. Fangen wir an!

Link to this sectionWas ist Instanzsegmentierung?#

Instanzsegmentierung kann verwendet werden, um Objekte in einem Bild zu identifizieren und sie auf Pixelebene zu umreißen. Der Prozess beinhaltet typischerweise zunächst die Objekterkennung und das Zeichnen von BBoxes um sie herum. Anschließend klassifiziert ein Segmentierungsalgorithmus jedes Pixel innerhalb der BBox, um eine präzise Maske für jedes Objekt zu erstellen.

Instanzsegmentierung unterscheidet sich auch von Aufgaben wie semantischer Segmentierung und panoptischer Segmentierung. Die semantische Segmentierung kennzeichnet jedes Pixel basierend auf der allgemeinen Kategorie eines Objekts, ohne einzelne Instanzen zu unterscheiden. Die panoptische Segmentierung hingegen kombiniert sowohl Instanz- als auch semantische Segmentierung, indem sie jedes Pixel sowohl mit einer Klasse als auch mit einer Instanz-ID versieht und so einzelne Objekte innerhalb jeder Kategorie identifiziert.

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

Die Möglichkeiten der Instanzsegmentierung lassen sich in verschiedenen Szenarien einsetzen, die möglicherweise unterschiedliche Modelle erfordern. So könnte beispielsweise ein leichtgewichtiges 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-Modell zur Instanzsegmentierung in verschiedenen Varianten erhältlich, je nach deinem Bedarf. Diese Varianten umfassen YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) und YOLO11x-seg (Extra Large). Diese Modelle unterscheiden sich in ihrer Größe, Verarbeitungsgeschwindigkeit, Genauigkeit und dem benötigten Rechenaufwand. Basierend auf deinen spezifischen Anforderungen kannst du das Modell auswählen, das am besten zu deiner Anwendung passt.

Link to this sectionAnwendungen 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.

Link to this sectionVerwendung der YOLO11-Segmentierung in der Öl- und Gasindustrie#

Bei der Öl- und Gasförderung geht es darum, extrem hohe Druckschwankungen zu bewältigen. Techniken wie das Abfackeln von Gas helfen dabei, das bei der Ölförderung entstehende Erdgas zu verbrennen. Dies ist aus Sicherheitsgründen notwendig. So könnte beispielsweise bei der Rohölförderung ein plötzlicher oder signifikanter Druckanstieg zu einer Explosion führen. Obwohl selten, können Industrieunfälle im Öl- und Gasverarbeitungssektor zu heftigen Bränden führen, die schwer einzudämmen und zu kontrollieren sind. Das Abfackeln von Gas hilft den Betreibern, Anlagen sicher zu entlasten und unvorhersehbare, große Druckschwankungen durch das Verbrennen von überschüssigem Gas 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 zur Überwachung von Feuer- und Rauchmengen durch das Abfackeln eingesetzt werden. Die Pixel-Fläche der erkannten und segmentierten Fackel und des Rauchs kann berechnet werden. Mit diesen Informationen erhalten Betreiber Echtzeit-Einblicke in das durch das Abfackeln verursachte Feuer und den Rauch, was ihnen hilft, Unfälle und negative Umweltauswirkungen zu vermeiden.

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

Link to this sectionInstanzsegmentierung mit YOLO11 für das Kunststoffabfallmanagement#

Mitarbeiter in Abfallentsorgungs- und Recyclinganlagen können auf Instanzsegmentierung basierende Systeme von YOLO11 nutzen, um Kunststoffabfälle zu identifizieren. YOLO11 kann in robotergestützte Sortiersysteme integriert werden, um verschiedene Abfallmaterialien wie Karton und Kunststoff (die getrennt verarbeitet werden sollen) präzise zu identifizieren. Dies ist besonders wichtig, wenn man bedenkt, dass von den weltweit 7 Milliarden Tonnen Kunststoffabfall nur etwa 10 % recycelt werden.

Die Automatisierung der Identifizierung und Sortierung von Kunststoffabfällen reduziert die benötigte Zeit im Vergleich zu traditionellen Methoden, bei denen Mitarbeiter die Gegenstände 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.

Link to this sectionYOLO11-Segmentierung in autonomen Fahrzeugen#

Ein weiterer interessanter Anwendungsfall für die Instanzsegmentierung sind autonome Autos. YOLO11 ermöglicht es selbstfahrenden Autos, die Sicherheit der Passagiere und anderer Verkehrsteilnehmer zu erhöhen, indem sie Objekte auf Pixelebene präzise erkennen. Das Kamerasystem an Bord des Autos kann Bilder der Umgebung erfassen 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 in ihrer Umgebung zu identifizieren.

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

Link to this sectionInstanzsegmentierung 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.

Link to this sectionInferenz mit YOLO11 ausführen#

Die Durchführung einer Inferenz beinhaltet die Nutzung des Modells zur Analyse neuer, bisher ungesehener Daten. Um eine Inferenz mit dem YOLO11-Modell zur Instanzsegmentierung über Code auszuführen, müssen wir das Ultralytics Python-Paket mittels pip, conda oder Docker installieren. Falls du während der Installation auf Probleme stößt, kannst du unseren Common Issues Guide zur Fehlerbehebung hinzuziehen. Sobald das Paket installiert ist, kannst du den unten gezeigten Code ausführen, um das YOLO11-Modell für die Instanzsegmentierung zu laden und Vorhersagen auf einem Bild auszuführen.

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

Link to this sectionTraining 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 eigene Version des Modells erstellen, die besser zu den Anforderungen deines spezifischen Projekts passt. Beispielsweise können Einzelhändler ein benutzerdefiniertes Modell verwenden, um die körperlichen Merkmale eines Kunden präzise zu segmentieren und so Kleidung zu empfehlen, die optimal sitzt. Das Code-Snippet unten zeigt, wie man ein YOLO11-Modell für die Instanzsegmentierung lädt und trainiert. Du kannst mit einer YAML-Konfiguration oder einem vortrainierten Modell starten, Gewichte übertragen und auf einem Datensatz wie COCO trainieren, um eine effektive Segmentierung zu erreichen.

Sobald dies abgeschlossen ist, kannst du Inferenzen mit dem benutzerdefinierten Modell für deine spezifischen Anwendungen durchführen. Über die Export-Option kannst du dein benutzerdefiniertes Modell zudem in ein anderes Format exportieren.

Link to this sectionYOLO11-Instanzsegmentierung auf dem Ultralytics HUB#

Nachdem wir nun die Durchführung von Inferenzen und das benutzerdefinierte Training eines YOLO11-Modells zur Instanzsegmentierung per Code erforscht haben, werfen wir einen Blick auf eine No-Code-Alternative: 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.

Link to this sectionWichtige 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 engagiere dich in unserer Community. Entdecke KI-Anwendungen in selbstfahrenden Autos und der Landwirtschaft auf unseren Lösungsseiten. 🚀