5. November 2024
Erfahren Sie, wie das neueYOLO11 Ultralytics für die Segmentierung von Beispielen verwendet werden kann, um eine höhere Präzision bei Anwendungen wie Abfallmanagement und Fackelüberwachung zu erreichen.
Computer Vision, ein Bereich der künstlichen Intelligenz (AI), der Maschinen hilft, visuelle Informationen zu interpretieren und zu verstehen, ermöglicht Aufgaben wie Instanzsegmentierung. Die Instanzsegmentierung kann zur Analyse eines Bildes oder Videobildes verwendet werden, um die genauen Grenzen jedes einzelnen Objekts im Bild zu markieren, selbst wenn mehrere Objekte desselben Typs vorhanden sind. Dank ihrer hohen Präzision bietet die Instanzensegmentierung ein breites Anwendungsspektrum, das von der Unterstützung selbstfahrender Autos bei der detect Hindernissen auf der Straße bis zur Identifizierung von Tumoren in medizinischen Scans reicht.
Im Laufe der Jahre hat sich die Segmentierung der Instanzen erheblich weiterentwickelt. Eine jüngste Entwicklung wurde während der jährlichen Hybrid-Veranstaltung von Ultralytics, der YOLO Vision 2024 (YV24), in Form des Ultralytics YOLO11 Modells vorgestellt. Das neue Modell unterstützt die gleichen Bildverarbeitungsaufgaben (einschließlich Instanzsegmentierung) wie das Ultralytics YOLOv8 Modell, so dass Benutzer, die mit früheren Versionen vertraut sind, das neue Modell nahtlos übernehmen können.
In diesem Artikel werden wir die Instanzsegmentierung und ihre Unterschiede zu anderen Computer-Vision-Aufgaben wie der semantischen Segmentierung untersuchen und einige ihrer Anwendungen diskutieren. Wir gehen auch durch, wie Sie das YOLO11 mit dem Ultralytics Python und der Ultralytics HUB-Plattform verwenden können. Fangen wir an!
Instanzsegmentierung kann verwendet werden, um Objekte in einem Bild zu identifizieren und sie auf Pixelebene zu umreißen. Der Prozess umfasst typischerweise zuerst das Erkennen von Objekten und das Zeichnen von Begrenzungsrahmen um sie herum. Dann klassifiziert ein Segmentierungsalgorithmus jedes Pixel innerhalb des Begrenzungsrahmens, um eine präzise Maske für jedes Objekt zu erstellen.
Instanzsegmentierung unterscheidet sich auch von Aufgaben wie semantischer Segmentierung und Panoptic Segmentation. Die Semantische Segmentierung kennzeichnet jedes Pixel basierend auf der allgemeinen Kategorie eines Objekts, ohne einzelne Instanzen zu unterscheiden. Die Panoptic Segmentation hingegen kombiniert sowohl Instanz- als auch semantische Segmentierung, indem sie jedes Pixel mit einer Klasse und einer Instanz-ID kennzeichnet und so einzelne Objekte innerhalb jeder Kategorie identifiziert.
Die Fähigkeiten der Instanzsegmentierung können in verschiedenen Szenarien eingesetzt werden, die unterschiedliche Modelle erfordern. Beispielsweise könnte ein leichtgewichtiges Modell ideal für die Echtzeitverarbeitung in mobilen Anwendungen sein, während ein komplexeres Modell für hochpräzise Aufgaben wie die Qualitätskontrolle in der Fertigung eingesetzt werden könnte.
Wie die Vorgängermodelle ist auch das YOLO11 Instanz-Segmentierungsmodell ebenfalls mehrere Varianten, je nach Ihren Bedürfnissen. 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 benötigten Rechenleistung. Je nach Ihren spezifischen Anforderungen können Sie das Modell wählen, das am besten zu Ihrer Anwendung passt.
Die fortschrittlichen Instanzsegmentierungsfunktionen von YOLO11 eröffnen eine Reihe von Anwendungen in verschiedenen Branchen. Werfen wir einen genaueren Blick auf einige dieser Anwendungen.
Die Öl- und Gasförderung beinhaltet die Bewältigung extrem hoher Druckschwankungen. Techniken wie das Abfackeln von Gas helfen, 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 Gassektor 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 zu bewältigen, indem das überschüssige Gas abgefackelt wird.
KI-Systeme können diesen Überwachungsprozess verbessern, und das Unfallrisiko kann durch den Einsatz eines auf Instanzsegmentierung basierenden Fackelüberwachungssystems reduziert werden. Die Überwachung von Gasfackeln ist auch aus Umweltgründen wichtig, da zu viel Abfackeln die Umwelt negativ beeinflussen kann.
Ultralytics YOLO11-Instanzsegmentierungsmodelle können zur Überwachung der durch das Abfackeln verursachten Feuer- und Rauchmenge verwendet werden. Die Pixelfläche der erkannten und segmentierten Fackel und des Rauchs kann berechnet werden. Anhand dieser Informationen können die Betreiber in Echtzeit Einblicke in die durch das Abfackeln verursachten Fackeln und den Rauch gewinnen, was ihnen hilft, Unfälle und negative Umweltauswirkungen zu vermeiden.
Mitarbeiter von Abfallentsorgungs- und Recyclinganlagen können mit YOLO11 segmentierungsbasierte Systeme einsetzen, um Kunststoffabfälle zu identifizieren. YOLO11 kann in Robotersortiersysteme integriert werden, um verschiedene Abfallmaterialien wie Pappe und Kunststoff (die getrennt verarbeitet werden müssen) genau zu identifizieren. Dies ist besonders wichtig, wenn man bedenkt, dass von den 7 Milliarden Tonnen Kunststoffabfall, die weltweit anfallen, nur etwa 10 % recycelt werden.
Durch die Automatisierung der Identifizierung und Sortierung von Kunststoffabfällen wird der Zeitaufwand im Vergleich zu herkömmlichen Methoden, bei denen die Mitarbeiter die Gegenstände von Hand sortieren, erheblich verringert. Computer-Vision-Modelle können sogar weiche Kunststoffe wie Verpackungen und Tüten segment , die eine besondere Herausforderung darstellen, weil sie sich oft verheddern. Die YOLO11 können auch kundenspezifisch trainiert werden, um verschiedene Arten von Kunststoffen segment . In den folgenden Abschnitten erfahren Sie mehr darüber, wie Sie ein YOLO11 individuell trainieren können.
Ein weiterer interessanter Anwendungsfall für die Instanzsegmentierung sind autonome Fahrzeuge. Mit YOLO11 können selbstfahrende Autos die Sicherheit der Insassen und anderer Verkehrsteilnehmer verbessern, indem sie Objekte auf Pixelebene genau erkennen. Das Kamerasystem des Fahrzeugs kann Bilder von der Umgebung aufnehmen und diese mit YOLO11 und Instanzsegmentierung analysieren. Jedes Objekt (Fußgänger, Ampeln, andere Fahrzeuge usw.) im Bild wird segmentiert und mit einem Label versehen. Dank dieser Präzision sind autonome Fahrzeuge in der Lage, jedes einzelne Objekt in ihrer Umgebung zu identifizieren.
Nachdem wir nun die Instanzsegmentierung erforscht und einige ihrer Anwendungen besprochen haben, wollen wir sehen, wie Sie sie anhand des Ultralytics YOLO11 ausprobieren können.
Es gibt zwei Möglichkeiten, dies zu tun: Sie können entweder das Ultralytics Python oder den Ultralytics HUB verwenden. Wir werden beide Möglichkeiten untersuchen und mit dem Python beginnen.
Beim Ausführen einer Schlussfolgerung wird das Modell verwendet, um neue, zuvor ungesehene Daten zu analysieren. Um eine Inferenz mit dem YOLO11 durch Code auszuführen, müssen wir das Ultralytics Python mit pip, conda oder docker installieren. Sollten bei der Installation Probleme auftreten, können Sie in unserem Leitfaden für häufige Probleme nachlesen, um Hilfe bei der Fehlerbehebung zu erhalten. Sobald das Paket installiert ist, können Sie den unten gezeigten Code ausführen, um das YOLO11 zu laden und Vorhersagen auf einem Bild auszuführen.
Mit demselben Code-Setup können Sie auch ein benutzerdefiniertes YOLO11 trainieren. Durch die Feinabstimmung eines YOLO11 können Sie eine benutzerdefinierte Version des Modells erstellen, die Ihre spezifischen Projektanforderungen besser erfüllt. Zum Beispiel können Einzelhändler ein benutzerdefiniertes Modell verwenden, um die körperlichen Merkmale eines Kunden genau zu segment , um Kleidung zu empfehlen, die richtig passt. Das folgende Code-Snippet zeigt, wie Sie ein YOLO11 für die Instanzsegmentierung laden und trainieren. Sie können 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 können Sie Inferenz mit dem benutzerdefinierten Modell für Ihre spezifischen Anwendungen durchführen. Mit der Exportoption können Sie Ihr benutzerdefiniertes Modell auch in ein anderes Format exportieren.
Nachdem wir uns nun mit der Durchführung von Schlussfolgerungen und dem benutzerdefinierten Training eines YOLO11 durch Code beschäftigt haben, wollen wir uns nun eine Alternative ohne Code ansehen: Ultralytics HUB. Ultralytics HUB ist eine intuitive Vision AI-Plattform, die den Prozess des Trainings und der Bereitstellung von YOLO , einschließlich der YOLO11 , vereinfacht.
Um Bilder zu analysieren, müssen Sie lediglich ein Konto erstellen, zum Abschnitt "Modelle" gehen und die YOLO11 Ihrer Wahl auswählen. Sie können ein Bild hochladen und die Vorhersageergebnisse im Vorschaubereich ansehen, wie unten gezeigt.
YOLO11 bietet zuverlässige Instanzsegmentierungsfunktionen, die eine Welt der Möglichkeiten in verschiedenen Branchen eröffnen. Von der Verbesserung der Sicherheit in autonomen Fahrzeugen über die Überwachung des Abfackelns von Gas im Öl- und Gassektor bis hin zur Automatisierung der Müllsortierung in Recyclinganlagen - die Präzision auf Pixelebene macht YOLO11ideal für komplexe Segmentierungsaufgaben.
Mit den Optionen für benutzerdefinierte Schulungen über das Ultralytics Python und einer codefreien Einrichtung über Ultralytics HUB können Benutzer YOLO11 nahtlos in ihre Arbeitsabläufe integrieren. Ob für industrielle Anwendungen, das Gesundheitswesen, den Einzelhandel oder die Umweltüberwachung, YOLO11 bietet Flexibilität und Genauigkeit, um verschiedene Segmentierungsanforderungen zu erfüllen.
Um mehr zu erfahren, besuchen Sie unser GitHub-Repository und treten Sie mit unserer Community in Kontakt. Entdecken Sie KI-Anwendungen in selbstfahrenden Autos und in der Landwirtschaft auf unseren Lösungsseiten. 🚀
