So verwendest du Ultralytics YOLO11 für die Instanzsegmentierung

Computer Vision, ein Bereich der künstlichen Intelligenz (AI), der Maschinen dabei unterstützt, visuelle Informationen zu interpretieren und zu verstehen, ermöglicht Aufgaben wie die Instanzsegmentierung. Mit der Instanzsegmentierung kannst du ein Bild oder einen Videoframe analysieren und die exakten Grenzen jedes einzelnen Objekts im Bild markieren, selbst wenn mehrere Objekte desselben Typs vorhanden sind. Dank ihrer hohen Präzision bietet die Instanzsegmentierung zahlreiche Anwendungsmöglichkeiten – von der Unterstützung selbstfahrender Autos bei der Erkennung von Hindernissen auf der Straße bis zur Erkennung von Tumoren in medizinischen Aufnahmen.

Im Laufe der Jahre hat sich die Instanzsegmentierung deutlich weiterentwickelt. Eine aktuelle 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 der Instanzsegmentierung) wie das Modell Ultralytics YOLOv8, sodass Nutzer, die mit früheren Versionen vertraut sind, nahtlos auf das neue Modell umsteigen können.

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

In diesem Artikel sehen wir uns die Instanzsegmentierung und ihre Unterschiede zu anderen Computer-Vision-Aufgaben wie der semantischen Segmentierung an und besprechen einige ihrer Anwendungen. Außerdem zeigen wir dir Schritt für Schritt, wie du das YOLO11-Modell für die Instanzsegmentierung mit dem Ultralytics Python-Paket und der Plattform Ultralytics HUB verwenden kannst. Legen wir los!

Was ist Instanzsegmentierung?#

Mit der Instanzsegmentierung kannst du Objekte in einem Bild erkennen und auf Pixelebene umreißen. Dazu werden zunächst typischerweise Objekte erkannt und mit Begrenzungsrahmen umgeben. Anschließend klassifiziert ein Segmentierungsalgorithmus jedes Pixel innerhalb des Begrenzungsrahmens, um für jedes Objekt eine präzise Maske zu erstellen.

Die Instanzsegmentierung unterscheidet sich außerdem von Aufgaben wie der semantischen und der panoptischen Segmentierung. Die semantische Segmentierung kennzeichnet jedes Pixel anhand der allgemeinen Kategorie eines Objekts, ohne einzelne Instanzen zu unterscheiden. Die panoptische Segmentierung kombiniert dagegen die Instanz- und die semantische Segmentierung, indem sie jedes Pixel sowohl mit einer Klasse als auch mit einer Instanz-ID kennzeichnet und einzelne Objekte innerhalb jeder Kategorie identifiziert.

Abb. 2. Erkennung und Segmentierung einer Person und eines Hundes mit YOLO11.

Die Funktionen der Instanzsegmentierung lassen sich in verschiedenen Szenarien einsetzen, für die möglicherweise unterschiedliche Modelle erforderlich sind. So eignet sich ein leichtgewichtiges Modell beispielsweise ideal für die Echtzeitverarbeitung in mobilen Anwendungen, während ein komplexeres Modell für Aufgaben mit hohen Präzisionsanforderungen wie die Qualitätskontrolle in der Fertigung eingesetzt werden kann.

Wie bei früheren Modellen ist auch das YOLO11-Modell für die Instanzsegmentierung je nach Bedarf in mehreren Varianten verfügbar. Dazu gehören YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) und YOLO11x-seg (Extra Large). Diese Modelle unterscheiden sich in Größe, Verarbeitungsgeschwindigkeit, Genauigkeit und der benötigten Rechenleistung. Je nach deinen konkreten Anforderungen kannst du das Modell auswählen, das am besten zu deiner Anwendung passt.

Anwendungen der YOLO11-Instanzsegmentierung#

Die fortschrittlichen Funktionen von YOLO11 zur Instanzsegmentierung eröffnen zahlreiche Anwendungsmöglichkeiten in verschiedenen Branchen. Sehen wir uns einige dieser Anwendungen genauer an.

YOLO11-Segmentierung in der Öl- und Gasindustrie#

Die Förderung von Öl und Gas erfordert den Umgang mit äußerst starken Druckschwankungen. Verfahren wie das Abfackeln von Gas helfen dabei, das bei der Ölförderung entstehende Erdgas zu verbrennen. Das ist aus Sicherheitsgründen notwendig. Bei der Rohölförderung könnte ein plötzlicher oder erheblicher Druckanstieg beispielsweise zu einer Explosion führen. Industrieunfälle im Bereich der Öl- und Gasproduktion sind zwar selten, können jedoch schwere Brände verursachen, die nur schwer einzudämmen und zu kontrollieren sind. Das Abfackeln von Gas hilft Betreibern, Anlagen sicher druckzuentlasten und unvorhersehbare, starke Druckschwankungen zu bewältigen, indem überschüssiges Gas verbrannt wird.

KI-Systeme können diesen Überwachungsprozess verbessern, und durch den Einsatz eines auf Instanzsegmentierung basierenden Systems zur Überwachung von Fackeln lässt sich das Unfallrisiko verringern. Die Überwachung des Abfackelns von Gas ist auch aus ökologischen Gründen wichtig, da übermäßiges Abfackeln die Umwelt schädigen kann.

Die Instanzsegmentierungsmodelle von Ultralytics YOLO11 können die durch das Abfackeln verursachte Menge an Feuer und Rauch überwachen. Die Pixelfläche der erkannten und segmentierten Fackel sowie des Rauchs kann berechnet werden. Anhand dieser Informationen erhalten Betreiber in Echtzeit Einblicke in die durch das Abfackeln verursachte Fackel und Rauchentwicklung und können so Unfälle und negative Auswirkungen auf die Umwelt verhindern.

Abb. 3. Beispiel für die Überwachung einer Fackel mit YOLO11 in der Öl- und Gasproduktion.

Instanzsegmentierung mit YOLO11 für das Management von Kunststoffabfällen#

Mitarbeiter in Einrichtungen zur Abfallentsorgung und zum Recycling können auf der Instanzsegmentierung basierende YOLO11-Systeme verwenden, um Kunststoffabfälle zu erkennen. YOLO11 lässt sich in robotergestützte Sortiersysteme integrieren, um verschiedene Abfallstoffe wie Karton und Kunststoff präzise zu erkennen (damit sie getrennt verarbeitet werden können). Das ist besonders wichtig, wenn man bedenkt, dass von den weltweit erzeugten 7 Milliarden Tonnen Kunststoffabfällen nur etwa 10 % recycelt werden.

Die automatisierte Erkennung und das Sortieren von Kunststoffabfällen verkürzen den erforderlichen Zeitaufwand im Vergleich zu herkömmlichen Methoden erheblich, bei denen Mitarbeiter die Gegenstände von Hand sortieren. Computer-Vision-Modelle können sogar weiche Kunststoffe wie Folien und Tüten segmentieren, die besonders schwierig zu verarbeiten sind, weil sie sich häufig verheddern. YOLO11-Modelle können außerdem so angepasst trainiert werden, dass sie verschiedene Kunststoffarten segmentieren. In den folgenden Abschnitten zeigen wir dir, wie du ein YOLO11-Modell individuell trainieren kannst.

Abb. 4. Erkennung von Kunststoffabfällen mit Ultralytics YOLO11.

YOLO11-Segmentierung in autonomen Fahrzeugen#

Eine weitere interessante Anwendung der Instanzsegmentierung sind autonome Fahrzeuge. YOLO11 ermöglicht es selbstfahrenden Autos, die Sicherheit der Fahrgäste und anderer Verkehrsteilnehmer durch die präzise Erkennung von Objekten auf Pixelebene zu verbessern. Das Kamerasystem des Fahrzeugs kann Bilder der Umgebung aufnehmen und sie mit YOLO11 und der Instanzsegmentierung analysieren. Jedes Objekt im Bild (Fußgänger, Ampeln, andere Fahrzeuge usw.) wird segmentiert und mit einer Bezeichnung versehen. Diese Präzision ermöglicht es autonomen Fahrzeugen, jedes einzelne Objekt in ihrer Umgebung zu erkennen.

Abb. 5. Erkennung von Fahrzeugen und Fußgängern auf der Straße mit YOLO11 und der Instanzsegmentierung.

Instanzsegmentierung mit dem YOLO11-Modell ausprobieren#

Nachdem wir uns mit der Instanzsegmentierung und einigen ihrer Anwendungen beschäftigt haben, sehen wir uns nun an, wie du sie mit dem Modell Ultralytics YOLO11 ausprobieren kannst.

Dafür gibt es zwei Möglichkeiten: Du kannst entweder das Ultralytics Python-Paket oder Ultralytics HUB verwenden. Wir sehen uns beide Möglichkeiten an und beginnen mit dem Python-Paket.

Inferenzen mit YOLO11 ausführen#

Bei einer Inferenz wird das Modell verwendet, um neue, zuvor unbekannte Daten zu analysieren. Um per Code eine Inferenz mit dem YOLO11-Modell für die Instanzsegmentierung auszuführen, müssen wir das Ultralytics Python-Paket mit pip, conda oder docker installieren. Falls bei der Installation Probleme auftreten, findest du in unserem Leitfaden zu häufigen Problemen Unterstützung bei der Fehlerbehebung. Nach der Installation des Pakets kannst du den unten gezeigten Code ausführen, um das YOLO11-Modell für die Instanzsegmentierung zu laden und Vorhersagen für ein Bild zu erstellen.

Abb. 6. Ausführen einer Inferenz für ein Bild mit YOLO11n-seg.

Ein benutzerdefiniertes YOLO11-Modell trainieren#

Mit derselben Codekonfiguration kannst du auch ein benutzerdefiniertes YOLO11-Modell trainieren. Durch die Feinabstimmung eines YOLO11-Modells kannst du eine benutzerdefinierte Modellversion erstellen, die deine spezifischen Projekt anforderungen besser erfüllt. Beispielsweise können Einzelhändler ein benutzerdefiniertes Modell verwenden, um die Körpermerkmale eines Kunden präzise zu segmentieren und passende Kleidung zu empfehlen. Das folgende Codebeispiel zeigt, wie du ein YOLO11-Modell für die Instanzsegmentierung lädst und trainierst. Du kannst mit einer YAML-Konfiguration oder einem vortrainierten Modell beginnen, Gewichte übertragen und auf einem Datensatz wie COCO trainieren, um eine effektive Segmentierung zu erreichen.

Nach Abschluss kannst du mit dem benutzerdefinierten Modell Inferenzen für deine spezifischen Anwendungen ausführen. Mit der Exportoption kannst du dein benutzerdefiniertes Modell außerdem in ein anderes Format exportieren.

YOLO11-Instanzsegmentierung auf Ultralytics HUB#

Nachdem wir uns mit dem Ausführen von Inferenzen und dem individuellen Training eines YOLO11-Modells für die Instanzsegmentierung per Code beschäftigt haben, sehen wir uns nun eine Alternative ohne Code an: Ultralytics HUB. Ultralytics HUB ist eine intuitive Plattform für visuelle KI, die das Trainieren und Bereitstellen von YOLO-Modellen, einschließlich der YOLO11-Modelle für die Instanzsegmentierung, vereinfacht.

Um Inferenzen für Bilder auszuführen, musst du lediglich ein Konto erstellen, zum Bereich „Models“ wechseln und die gewünschte Variante des YOLO11-Modells für die Instanzsegmentierung auswählen. Du kannst ein Bild hochladen und die Ergebnisse der Vorhersage im Vorschaubereich anzeigen, wie unten dargestellt.

Abb. 7. Ausführen von Inferenzen in Ultralytics HUB.

Wichtige Erkenntnisse#

YOLO11 bietet zuverlässige Funktionen zur Instanzsegmentierung, die zahlreiche Möglichkeiten in verschiedenen Branchen eröffnen. Von der Verbesserung der Sicherheit autonomer Fahrzeuge und der Überwachung des Abfackelns von Gas in der Öl- und Gasbranche bis zur Automatisierung der Abfallsortierung in Recyclinganlagen – dank seiner Präzision auf Pixelebene eignet sich YOLO11 ideal für komplexe Segmentierungsaufgaben.

Mit den Möglichkeiten zum individuellen Training über das Ultralytics Python-Paket und einer Einrichtung ohne Code über Ultralytics HUB können Nutzer YOLO11 nahtlos in ihre Arbeitsabläufe integrieren. Ob für industrielle Anwendungen, das Gesundheitswesen, den Einzelhandel oder die Umweltüberwachung – YOLO11 bietet die nötige Flexibilität und Genauigkeit für vielfältige Anforderungen an die Segmentierung.

Weitere Informationen findest du in unserem GitHub-Repository und in unserer Community. Entdecke auf unseren Lösungsseiten Anwendungen von KI in selbstfahrenden Autos und in der Landwirtschaft. 🚀