Cómo usar Ultralytics YOLO11 para la segmentación de instancias

La Computer vision, un campo dentro de la artificial intelligence (AI) que ayuda a las máquinas a interpretar y comprender la información visual, permite realizar tareas como la segmentación de instancias. La Instance segmentation se puede utilizar para analizar una imagen o un fotograma de vídeo con el fin de marcar los límites exactos de cada objeto distintivo en la imagen, incluso cuando hay múltiples objetos del mismo tipo presentes. Con su alto nivel de precisión, la segmentación de instancias tiene una amplia gama de aplicaciones, desde ayudar a los self-driving cars a detectar obstáculos on the road hasta identifying tumors en medical scans.

A lo largo de los años, la instance segmentation ha evolucionado significativamente. Un desarrollo reciente se presentó durante el annual hybrid event de Ultralytics, YOLO Vision 2024 (YV24), en forma del modelo Ultralytics YOLO11. El nuevo modelo admite las mismas computer vision tasks (incluida la segmentación de instancias) que el modelo Ultralytics YOLOv8, por lo que los usuarios familiarizados con versiones anteriores pueden adoptar el nuevo modelo sin problemas.

Fig 1. Un ejemplo del uso del modelo Ultralytics YOLO11 para segmentación de instancias.

En este artículo, exploraremos la instance segmentation y en qué se diferencia de otras tareas de visión artificial como la segmentación semántica, además de analizar algunas de sus aplicaciones. También veremos cómo puedes usar el modelo de segmentación de instancias de YOLO11 mediante el Ultralytics Python package y la plataforma Ultralytics HUB. ¡Empecemos!

¿Qué es la segmentación de instancias?#

La Instance segmentation se puede utilizar para identificar objetos en una imagen y delinearlos a nivel de píxel. El proceso normalmente implica primero detecting objects y dibujar bounding boxes a su alrededor. A continuación, un algoritmo de segmentación clasifica cada píxel dentro del cuadro delimitador para crear una precise mask para cada objeto.

La Instance segmentation también es diferente de tareas como la segmentación semántica y la segmentación panóptica. La Semantic segmentation etiqueta cada píxel según la categoría general de un objeto, sin distinguir instancias individuales. La Panoptic segmentation, por otro lado, combina la segmentación de instancias y la semántica al etiquetar cada píxel con una clase y un ID de instancia, identificando objetos individuales dentro de cada categoría.

Fig 2. Uso de YOLO11 para detectar y segmentar a una persona y a un perro.

Las capacidades de la segmentación de instancias se pueden aplicar en varios escenarios que pueden requerir diferentes modelos. Por ejemplo, un modelo ligero puede ser ideal para el real-time processing en aplicaciones móviles, mientras que se podría utilizar un modelo más complejo para tareas de alta precisión como el quality control en la fabricación.

Al igual que los modelos anteriores, el modelo de segmentación de instancias YOLO11 también viene con varias variantes según tus necesidades. Estas variantes incluyen YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) y YOLO11x-seg (Extra Large). Estos modelos varían en términos de su tamaño, velocidad de procesamiento, precisión y la cantidad de computational power que requieren. Según tus requisitos específicos, puedes elegir el modelo que mejor se adapte a tu aplicación.

Aplicaciones de segmentación de instancias para YOLO11#

Las avanzadas capacidades de segmentación de instancias de YOLO11 abren un abanico de aplicaciones en diversas industrias. Echemos un vistazo más de cerca a algunas de estas aplicaciones.

Uso de la segmentación de YOLO11 en la industria del petróleo y el gas#

La extracción de Oil and gas implica gestionar fluctuaciones de presión extremadamente altas. Técnicas como la quema de gas ayudan a eliminar mediante combustión el gas natural que se produce durante la extracción de petróleo. Es necesario por safety reasons. Por ejemplo, en la extracción de petróleo crudo, un pico de presión repentino o significativo podría provocar una explosión. Aunque son poco comunes, los accidentes industriales en el sector de fabricación de petróleo y gas pueden dar lugar a incendios intensos que son difíciles de contener y controlar. La quema de gas ayuda a los operadores a despresurizar el equipo de forma segura y a gestionar fluctuaciones de presión grandes e impredecibles quemando el exceso de gas.

Los sistemas de IA pueden mejorar este proceso de supervisión, y el riesgo de accidentes puede reducirse utilizando un sistema de supervisión de antorchas basado en segmentación de instancias. Supervisar la quema de gas también es importante por razones medioambientales, ya que un exceso de combustión puede afectar negativamente al medio ambiente.

Los modelos de instance segmentation de Ultralytics YOLO11 se pueden utilizar para monitorizar la cantidad de fuego y smoke causada por la quema. Se puede calcular el área en píxeles de la llamarada y el smoke detectados y segmentados. Utilizando esta información, los operadores pueden obtener información en tiempo real sobre la llamarada y el humo causados por la quema, lo que les ayuda a prevenir accidentes e impactos ambientales negativos.

Fig 3. Un ejemplo de supervisión de quemadores usando YOLO11 en la fabricación de petróleo y gas.

Segmentación de instancias con YOLO11 para la gestión de residuos plásticos#

Los trabajadores en instalaciones de waste management y recycling pueden utilizar sistemas basados en la segmentación de instancias de YOLO11 para identificar materiales de residuos plásticos. YOLO11 se puede integrar con sistemas de clasificación robóticos para identificar con precisión diferentes materiales de desecho, como cartón y plástico (para ser procesados por separado). Esto es especialmente importante teniendo en cuenta que, de los 7 mil millones de toneladas de plastic waste generadas a nivel mundial, solo alrededor del 10% se recicla.

Automatizar la identificación y el sorting of plastic waste reduce significativamente el tiempo necesario en comparación con los métodos tradicionales, donde los trabajadores clasifican los artículos a mano. Los Computer vision models pueden incluso segmentar plásticos flexibles como envoltorios y bolsas, que son especialmente difíciles porque a menudo se enredan. Los YOLO11 models también se pueden custom-trained para segmentar diferentes tipos de plásticos. Aprenderemos más sobre cómo puedes custom-train un modelo YOLO11 en las siguientes secciones.

Fig 4. Identificación de residuos plásticos con Ultralytics YOLO11.

Segmentación de YOLO11 en vehículos autónomos#

Otro caso de uso interesante de la segmentación de instancias se encuentra en los autonomous cars. YOLO11 permite a los self-driving cars mejorar la seguridad de los pasajeros y la de otros usuarios en la carretera al reconocer con precisión los objetos a nivel de píxel. El camera system integrado del coche puede capturar imágenes del entorno y analizarlas utilizando YOLO11 y la segmentación de instancias. Cada objeto (peatones, semáforos, otros vehículos, etc.) dentro de la imagen se segmenta y se le asigna una etiqueta. Este nivel de precisión dota a los coches autónomos de la capacidad de identificar todos y cada uno de los objetos que los rodean.

Fig 5. Uso de YOLO11 y la segmentación de instancias para identificar vehículos y peatones en la carretera.

Probando la segmentación de instancias con el modelo YOLO11#

Ahora que hemos explorado la segmentación de instancias y analizado algunas de sus aplicaciones, veamos cómo puedes probarla usando el modelo Ultralytics YOLO11.

Hay dos formas de hacerlo: puedes usar el paquete de Python de Ultralytics o el Ultralytics HUB. Exploraremos ambas, empezando por el paquete de Python.

Ejecución de inferencias usando YOLO11#

Ejecutar una inference implica utilizar el modelo para analizar datos nuevos que no se habían visto antes. Para ejecutar una inferencia utilizando el modelo de segmentación de instancias de YOLO11 mediante código, necesitamos instalar el Ultralytics Python package usando pip, conda o docker. En caso de que te encuentres con algún problema durante la instalación, puedes consultar nuestra Common Issues Guide para obtener ayuda con la solución de problemas. Una vez instalado el paquete, puedes ejecutar el código que se muestra a continuación para cargar el modelo de segmentación de instancias de YOLO11 y realizar predicciones en una imagen.

Fig 6. Ejecución de una inferencia en una imagen usando YOLO11n-seg.

Entrenamiento de un modelo YOLO11 personalizado#

Con la misma configuración de código, también puedes train un modelo YOLO11 personalizado. Al realizar un fine-tuning de un modelo YOLO11, puedes crear una versión personalizada del modelo que se ajuste mejor a los requisitos de tu specific project. Por ejemplo, los retailers pueden utilizar un modelo personalizado para segmentar con precisión las características físicas de un cliente con el fin de recommend clothes que le queden bien. El fragmento de código a continuación muestra cómo cargar y entrenar un modelo YOLO11 para la segmentación de instancias. Puedes empezar desde una YAML configuration o un modelo preentrenado, transferir pesos y entrenar en un dataset like COCO para lograr una segmentación eficaz.

Una vez completado, puedes realizar inferencias utilizando el modelo personalizado para tus specific applications. Utilizando la export option, también puedes export tu modelo personalizado a un formato diferente.

Segmentación de instancias YOLO11 en Ultralytics HUB#

Ahora que hemos explorado la ejecución de inferencias y el entrenamiento personalizado de un modelo de segmentación de instancias de YOLO11 mediante código, veamos una alternativa sin código: Ultralytics HUB. Ultralytics HUB es una plataforma intuitiva de visión artificial que simplifica el proceso de entrenamiento y despliegue de modelos YOLO, incluidos los modelos de segmentación de instancias de YOLO11.

Para ejecutar la inferencia en imágenes, todo lo que tienes que hacer es: crear una cuenta, ir a la sección 'Models' y seleccionar la variante del modelo de segmentación de instancias YOLO11 que prefieras. Puedes subir una imagen y ver los resultados de la predicción en la sección de vista previa, como se muestra a continuación.

Fig 7. Ejecución de inferencias en Ultralytics HUB.

Conclusiones clave#

YOLO11 ofrece capacidades de segmentación de instancias fiables que abren un mundo de posibilidades en diversas industrias. Desde mejorar la seguridad en vehículos autónomos y la supervisión de la quema de gas en el sector del petróleo y el gas hasta automatizar la clasificación de residuos en instalaciones de reciclaje, la precisión a nivel de píxel de YOLO11 lo hace ideal para tareas de segmentación complejas.

Con opciones para entrenamiento personalizado a través del paquete de Python de Ultralytics y una configuración sin código mediante Ultralytics HUB, los usuarios pueden integrar YOLO11 en sus flujos de trabajo sin problemas. Ya sea para aplicaciones industriales, sanidad, venta minorista o supervisión medioambiental, YOLO11 aporta flexibilidad y precisión para satisfacer diversas necesidades de segmentación.

Para explorar más, visita nuestro GitHub repository y participa con nuestra community. Explora las aplicaciones de IA en self-driving cars y agriculture en nuestras páginas de soluciones. 🚀