So verwendest du Ultralytics YOLO11 für die Instanzsegmentierung

Computer Vision, ein Teilgebiet der künstlichen Intelligenz (AI), hilft Maschinen, visuelle Informationen zu interpretieren und zu verstehen, und ermöglicht Aufgaben wie die Instanzsegmentierung. Mit der Instanzsegmentierung lassen sich Bilder oder Videobilder analysieren und die exakten Grenzen jedes einzelnen Objekts markieren – selbst wenn mehrere Objekte desselben Typs vorhanden sind. Dank ihrer hohen Präzision kann die Instanzsegmentierung in vielen Bereichen eingesetzt werden: etwa damit selbstfahrende Autos Hindernisse auf der Straße erkennen oder Tumore in medizinischen Aufnahmen identifiziert werden.

Die Instanzsegmentierung hat sich im Laufe der Jahre deutlich weiterentwickelt. Eine aktuelle Neuerung wurde bei der jährlichen Hybridveranstaltung von Ultralytics, YOLO Vision 2024 (YV24), mit dem Modell Ultralytics YOLO11 vorgestellt, auf das inzwischen Ultralytics YOLO26 gefolgt ist. Das neue Modell unterstützt dieselben Computer-Vision-Aufgaben wie Ultralytics YOLOv8, einschließlich der Instanzsegmentierung. Nutzer, die mit früheren Versionen vertraut sind, können daher problemlos zum neuen Modell wechseln.

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

In diesem Artikel erklären wir die Instanzsegmentierung und zeigen, wie sie sich von anderen Computer-Vision-Aufgaben wie der semantischen Segmentierung unterscheidet. Außerdem besprechen wir einige ihrer Anwendungen und zeigen dir, wie du das YOLO11-Modell zur Instanzsegmentierung mit dem Ultralytics-Python-Paket und Ultralytics HUB (jetzt Ultralytics Platform) einsetzen kannst. Los geht’s!

Was ist Instanzsegmentierung?#

Mit der Instanzsegmentierung lassen sich Objekte in einem Bild erkennen und auf Pixelebene umreißen. In der Regel werden zunächst Objekte erkannt und mit Begrenzungsrahmen markiert. Anschließend klassifiziert ein Segmentierungsalgorithmus jedes Pixel innerhalb des Begrenzungsrahmens und erstellt so eine präzise Maske für jedes Objekt.

Die Instanzsegmentierung unterscheidet sich auch von Aufgaben wie der semantischen und der panoptischen Segmentierung. Bei der semantischen Segmentierung wird jedes Pixel anhand der allgemeinen Objektkategorie beschriftet, ohne einzelne Instanzen zu unterscheiden. Die panoptische Segmentierung kombiniert dagegen Instanz- und semantische Segmentierung: Jedes Pixel wird sowohl mit einer Klasse als auch mit einer Instanz-ID versehen, sodass sich einzelne Objekte innerhalb jeder Kategorie erkennen lassen.

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

Die Möglichkeiten der Instanzsegmentierung lassen sich in verschiedenen Szenarien einsetzen, für die jeweils unterschiedliche Modelle infrage kommen. Ein leichtgewichtiges Modell eignet sich zum Beispiel für die Echtzeitverarbeitung in mobilen Anwendungen, während ein komplexeres Modell für Aufgaben mit hohen Genauigkeitsanforderungen genutzt werden kann, etwa für die Qualitätskontrolle in der Fertigung.

Wie frühere Modelle ist auch das YOLO11-Modell zur Instanzsegmentierung in mehreren Varianten erhältlich, passend zu deinen Anforderungen. Dazu gehören YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) und YOLO11x-seg (Extra Large). Die Modelle unterscheiden sich in Größe, Verarbeitungsgeschwindigkeit, Genauigkeit und Rechenleistungsbedarf. Je nach deinen Anforderungen kannst du das Modell auswählen, das am besten zu deiner Anwendung passt.

Anwendungen der Instanzsegmentierung mit YOLO11#

Die fortschrittlichen Möglichkeiten von YOLO11 zur Instanzsegmentierung eröffnen zahlreiche Anwendungsbereiche in verschiedenen Branchen. Werfen wir einen genaueren Blick auf einige davon.

YOLO11-Segmentierung in der Öl- und Gasindustrie#

Bei der Förderung von Erdöl und Erdgas müssen äußerst starke Druckschwankungen kontrolliert werden. Verfahren wie das Abfackeln von Gas helfen dabei, das bei der Erdölförderung entstehende Erdgas zu verbrennen. Das ist aus Sicherheitsgründen notwendig. Beim Fördern von Rohöl könnte beispielsweise ein plötzlicher oder starker Druckanstieg eine Explosion auslösen. Industrieunfälle in der Erdöl- und Erdgasbranche sind zwar selten, können aber heftige Brände verursachen, die sich nur schwer eindämmen und kontrollieren lassen. Durch das Abfackeln von Gas können Betreiber Anlagen sicher druckentlasten und unvorhersehbare, starke Druckschwankungen kontrollieren, indem sie überschüssiges Gas verbrennen.

KI-Systeme können die Überwachung verbessern, und ein auf Instanzsegmentierung beruhendes System zur Überwachung von Abfackelvorgängen kann das Unfallrisiko senken. Die Überwachung des Abfackelns ist auch aus Umweltschutzgründen wichtig, da übermäßiges Abfackeln die Umwelt belasten kann.

Ultralytics-YOLO11-Modelle zur Instanzsegmentierung können die Menge des durch das Abfackeln entstandenen Feuers und Rauchs überwachen. Die Pixelfläche der erkannten und segmentierten Flammen und Rauchwolken lässt sich berechnen. Anhand dieser Informationen erhalten Betreiber in Echtzeit Einblicke in die durch das Abfackeln entstandenen Flammen und Rauchwolken und können so Unfälle und negative Auswirkungen auf die Umwelt verhindern.

Abb. 3. Beispiel für die Überwachung von Abfackelvorgängen mit YOLO11 in der Öl- und Gasindustrie.

Instanzsegmentierung mit YOLO11 für das Management von Kunststoffabfällen#

Beschäftigte in der Abfallwirtschaft und in Recyclinganlagen können YOLO11-Systeme zur Instanzsegmentierung nutzen, um Kunststoffabfälle zu erkennen. YOLO11 lässt sich in robotergestützte Sortiersysteme integrieren, um verschiedene Abfallstoffe wie Karton und Kunststoff präzise zu erkennen und getrennt zu verarbeiten. Das ist besonders wichtig, denn von den weltweit anfallenden 7 Milliarden Tonnen Kunststoffabfällen werden nur etwa 10 % recycelt.

Die automatisierte Erkennung und Sortierung von Kunststoffabfällen verkürzt die benötigte Zeit im Vergleich zu herkömmlichen Verfahren erheblich, bei denen Beschäftigte die Gegenstände von Hand sortieren. Computer-Vision-Modelle können sogar weiche Kunststoffe wie Folien und Beutel segmentieren, die besonders schwierig zu verarbeiten sind, weil sie sich häufig verheddern. YOLO11-Modelle lassen sich außerdem speziell für die Segmentierung verschiedener Kunststoffarten trainieren. In den folgenden Abschnitten erfährst du mehr darüber, wie du ein YOLO11-Modell individuell trainieren kannst.

Abb. 4. Erkennung von Kunststoffabfällen mit Ultralytics YOLO11.

YOLO11-Segmentierung in autonomen Fahrzeugen#

Ein weiterer interessanter Anwendungsfall für die Instanzsegmentierung sind autonome Autos. YOLO11 hilft selbstfahrenden Autos, die Sicherheit von Fahrgästen und anderen Verkehrsteilnehmern zu verbessern, indem Objekte auf Pixelebene präzise erkannt werden. Das integrierte Kamerasystem des Autos kann Bilder der Umgebung aufnehmen und sie mit YOLO11 und Instanzsegmentierung analysieren. Jedes Objekt im Bild – etwa Fußgänger, Ampeln und andere Fahrzeuge – wird segmentiert und beschriftet. Diese Präzision versetzt autonome Autos in die Lage, alle Objekte in ihrer Umgebung einzeln zu erkennen.

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

Instanzsegmentierung mit dem YOLO11-Modell ausprobieren#

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

Dafür gibt es zwei Möglichkeiten: Du kannst entweder das Ultralytics-Python-Paket oder Ultralytics HUB verwenden. Wir sehen uns zunächst das Python-Paket und danach die andere Möglichkeit an.

Inferenz mit YOLO11 ausführen#

Bei einer Inferenz analysiert das Modell neue, bisher unbekannte Daten. Um mithilfe von Code eine Inferenz mit dem YOLO11-Modell zur Instanzsegmentierung auszuführen, musst du das Ultralytics-Python-Paket mit pip, conda oder Docker installieren. Sollten bei der Installation Probleme auftreten, hilft dir unser Leitfaden zu häufigen Problemen bei der Fehlerbehebung. Sobald das Paket installiert ist, kannst du den folgenden Code ausführen, um das Modell YOLO11n-seg zur Instanzsegmentierung zu laden und Vorhersagen für ein Bild zu erstellen.

Abb. 6. Inferenz für ein Bild mit YOLO11n-seg ausführen.

Ein eigenes YOLO11-Modell trainieren#

Mit derselben Codeeinrichtung kannst du auch ein YOLO11-Modell trainieren. Durch Feinabstimmung eines YOLO11-Modells kannst du eine angepasste Modellversion erstellen, die besser zu den Anforderungen deines Projekts passt. Einzelhändler können zum Beispiel ein angepasstes Modell einsetzen, um die körperlichen Merkmale von Kunden präzise zu segmentieren und passende Kleidung zu empfehlen. Das folgende Codebeispiel zeigt, wie du ein YOLO11-Modell zur Instanzsegmentierung lädst und trainierst. Du kannst mit einer YAML-Konfiguration oder einem vortrainierten Modell beginnen, Gewichte übertragen und mit einem Datensatz wie COCO trainieren, um eine wirksame Segmentierung zu erzielen.

Nach Abschluss des Trainings kannst du mit dem angepassten Modell Inferenzläufe für deine konkreten Anwendungen ausführen. Mit dem Exportmodus kannst du dein angepasstes Modell außerdem in andere Formate für die Bereitstellung umwandeln.

YOLO11-Instanzsegmentierung mit Ultralytics HUB#

Nachdem wir uns angesehen haben, wie sich Inferenzläufe und das individuelle Training eines YOLO11-Modells zur Instanzsegmentierung per Code ausführen lassen, betrachten wir nun eine No-Code-Alternative: Ultralytics HUB. Ultralytics HUB ist eine intuitive Plattform für Vision AI, die das Training und die Bereitstellung von YOLO-Modellen vereinfacht, einschließlich der YOLO11-Modelle zur Instanzsegmentierung.

Um Inferenz für Bilder auszuführen, musst du nur ein Konto erstellen, zum Bereich „Models“ wechseln und die gewünschte Variante des YOLO11-Modells zur Instanzsegmentierung auswählen. Im Vorschaubereich kannst du ein Bild hochladen und dir die Vorhersageergebnisse wie unten gezeigt ansehen.

Abb. 7. Inferenz auf Ultralytics HUB ausführen.

Die wichtigsten Erkenntnisse#

YOLO11 bietet zuverlässige Funktionen zur Instanzsegmentierung, die zahlreiche Möglichkeiten in verschiedenen Branchen eröffnen. Von mehr Sicherheit in autonomen Fahrzeugen und der Überwachung von Abfackelvorgängen in der Öl- und Gasindustrie bis hin zur automatisierten Abfallsortierung in Recyclinganlagen: Die Präzision von YOLO11 auf Pixelebene eignet sich ideal für komplexe Segmentierungsaufgaben.

Mit der Möglichkeit zum individuellen Training über das Ultralytics-Python-Paket und einer No-Code-Einrichtung über Ultralytics HUB können Nutzer YOLO11 in ihre Arbeitsabläufe integrieren. Ob für industrielle Anwendungen, das Gesundheitswesen, den Einzelhandel oder die Umweltüberwachung – YOLO11 bietet die nötige Flexibilität und Genauigkeit für vielfältige Segmentierungsanforderungen.

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