5. November 2024
Verstehen Sie, wie das neue Ultralytics YOLO11-Modell für die Instanzsegmentierung verwendet werden kann, um eine höhere Präzision in Anwendungen wie Abfallmanagement und Flare-Überwachung zu erreichen.
Computer Vision, ein Teilbereich der künstlichen Intelligenz (KI), der Maschinen hilft, visuelle Informationen zu interpretieren und zu verstehen, ermöglicht Aufgaben wie die Instanzsegmentierung. Die Instanzsegmentierung kann verwendet werden, um ein Bild oder einen Videoframe 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 bietet 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 Entwicklung wurde während der jährlichen Hybridveranstaltung von Ultralytics, YOLO Vision 2024 (YV24), in Form des Ultralytics YOLO11-Modells vorgestellt. Das neue Modell unterstützt die gleichen Computer-Vision-Aufgaben (einschließlich Instanzsegmentierung) wie das Ultralytics YOLOv8-Modell, sodass Benutzer, die mit früheren Versionen vertraut sind, das neue Modell nahtlos übernehmen können.
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 erörtern. Wir werden auch durchgehen, wie Sie das YOLO11-Instanzsegmentierungsmodell mit dem Ultralytics Python-Paket und der Ultralytics HUB-Plattform verwenden können. Los geht's!
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 frühere Modelle ist das YOLO11 Instanzsegmentierungsmodell auch in verschiedenen Varianten erhältlich, 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 in Bezug auf ihre Größe, Verarbeitungsgeschwindigkeit, Genauigkeit und den Umfang der Rechenleistung, die sie benötigen. Basierend auf Ihren spezifischen Anforderungen können Sie das Modell auswählen, 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 Instanzsegmentierungs-Modelle können verwendet werden, um die Menge an Feuer und Rauch zu überwachen, die durch Abfackeln verursacht werden. Die Pixelfläche der erkannten und segmentierten Fackel und des Rauchs kann berechnet werden. Anhand dieser Informationen können Betreiber Echtzeit-Einblicke in die durch das Abfackeln verursachte Fackel und den Rauch gewinnen und so Unfälle und negative Umweltauswirkungen verhindern.
Mitarbeiter in Abfallwirtschafts- und Recyclinganlagen können YOLO11-basierte Instanzsegmentierungssysteme verwenden, um Kunststoffabfälle zu identifizieren. YOLO11 kann in Robotersortiersysteme integriert werden, um verschiedene Abfallmaterialien wie Karton und Kunststoff (zur getrennten Verarbeitung) genau zu identifizieren. Dies ist besonders wichtig, wenn man bedenkt, dass von den 7 Milliarden Tonnen Plastikmüll, die weltweit anfallen, nur etwa 10 % recycelt werden.
Die Automatisierung der Identifizierung und Sortierung von Kunststoffabfällen reduziert die benötigte Zeit im Vergleich zu traditionellen Methoden, bei denen Arbeiter die Gegenstände von Hand sortieren, erheblich. Computer-Vision-Modelle können sogar weiche Kunststoffe wie Folien und Tüten segmentieren, die besonders schwierig sind, weil sie sich oft verheddern. YOLOv8-Modelle können auch benutzerdefiniert trainiert werden, um verschiedene Arten von Kunststoffen zu segmentieren. In den folgenden Abschnitten erfahren Sie mehr darüber, wie Sie ein YOLOv8-Modell benutzerdefiniert trainieren können.
Ein weiterer interessanter Anwendungsfall für die Instanzsegmentierung sind autonome Autos. YOLO11 ermöglicht es selbstfahrenden Autos, die Sicherheit der Fahrgäste und anderer Verkehrsteilnehmer zu verbessern, indem es Objekte auf Pixelebene genau 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 Möglichkeit, jedes einzelne Objekt in ihrer Umgebung zu identifizieren.
Nachdem wir nun die Instanzsegmentierung untersucht und einige ihrer Anwendungen erörtert haben, wollen wir sehen, wie Sie sie mit dem Ultralytics YOLO11-Modell ausprobieren können.
Es gibt zwei Möglichkeiten, dies zu tun: Sie können entweder das Ultralytics Python-Paket oder den Ultralytics HUB verwenden. Wir werden beides untersuchen, beginnend mit dem Python-Paket.
Eine Inferenz auszuführen bedeutet, das Modell zur Analyse neuer, bisher unbekannter Daten zu verwenden. Um eine Inferenz mit dem YOLO11-Instanzsegmentierungsmodell über Code auszuführen, müssen wir das Ultralytics Python-Paket mit pip, conda oder Docker installieren. Falls bei der Installation Probleme auftreten, können Sie in unserem Leitfaden zu häufigen Problemen nachlesen, um Hilfe bei der Fehlerbehebung zu erhalten. Sobald das Paket installiert ist, können Sie den unten gezeigten Code ausführen, um das YOLO11-Instanzsegmentierungsmodell zu laden und Vorhersagen für ein Bild auszuführen.
Mit dem gleichen Code-Setup können Sie auch ein benutzerdefiniertes YOLO11-Modell trainieren. Durch das Fine-Tuning eines YOLO11-Modells können Sie eine benutzerdefinierte Version des Modells erstellen, die Ihre spezifischen Projektanforderungen besser erfüllt. Beispielsweise können Einzelhändler ein benutzerdefiniertes Modell verwenden, um die physischen Merkmale eines Kunden genau zu segmentieren, um Kleidung zu empfehlen, die richtig passt. Der folgende Code-Snippet zeigt, wie Sie ein YOLO11-Modell für die Instanzsegmentierung laden und trainieren. Sie können von einer YAML-Konfiguration oder einem vortrainierten Modell aus starten, Gewichte übertragen und auf einem Datensatz wie COCO trainieren, um eine effektive Segmentierung zu erzielen.
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 nun das Ausführen von Inferenz und das benutzerdefinierte Trainieren eines YOLO11-Instanzsegmentierungsmodells durch Code untersucht haben, wollen wir uns eine No-Code-Alternative ansehen: Ultralytics HUB. Ultralytics HUB ist eine intuitive Vision-AI-Plattform, die den Prozess des Trainierens und Bereitstellens von YOLO-Modellen vereinfacht, einschließlich der YOLO11-Instanzsegmentierungsmodelle.
Um Inferenz auf Bildern auszuführen, müssen Sie lediglich ein Konto erstellen, zum Abschnitt ‘Modelle’ gehen und die YOLO11-Instanzsegmentierungsmodellvariante Ihrer Wahl auswählen. Sie können ein Bild hochladen und die Vorhersageergebnisse im Vorschaubereich anzeigen, wie unten dargestellt.
YOLO11 bietet zuverlässige Instanzsegmentierungsfunktionen, die eine Welt von Möglichkeiten in verschiedenen Branchen eröffnen. Von der Erhöhung der Sicherheit in autonomen Fahrzeugen über die Überwachung der Gasfackelung im Öl- und Gassektor bis hin zur Automatisierung der Abfallsortierung in Recyclinganlagen ist YOLO11 aufgrund seiner Pixelgenauigkeit ideal für komplexe Segmentierungsaufgaben.
Mit Optionen für benutzerdefiniertes Training über das Ultralytics Python-Paket und einer No-Code-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 vielfältige 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. 🚀
.webp)