Cómo usar Ultralytics YOLO11 para segmentar instancias

La visión artificial, un campo de la inteligencia artificial (IA) que ayuda a las máquinas a interpretar y comprender la información visual, permite realizar tareas como la segmentación de instancias. La segmentación de instancias se puede utilizar para analizar una imagen o un fotograma de vídeo y marcar los límites exactos de cada objeto distinto, incluso cuando hay varios objetos del mismo tipo. Gracias a su gran precisión, la segmentación de instancias tiene numerosas aplicaciones: desde ayudar a los coches autónomos a detectar obstáculos en la carretera hasta identificar tumores en escáneres médicos.

A lo largo de los años, la segmentación de instancias ha evolucionado considerablemente. Un avance reciente se presentó en el evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24), con el modelo Ultralytics YOLO11, al que ha sucedido Ultralytics YOLO26. El nuevo modelo admite las mismas tareas de visión artificial, incluida la segmentación de instancias, que Ultralytics YOLOv8, por lo que los usuarios familiarizados con versiones anteriores pueden adoptar el nuevo modelo fácilmente.

Fig. 1. Ejemplo de uso del modelo Ultralytics YOLO11 para la segmentación de instancias.

En este artículo veremos la segmentación de instancias y sus diferencias con otras tareas de visión artificial, como la segmentación semántica, y hablaremos de algunas de sus aplicaciones. También te explicaremos cómo utilizar el modelo de segmentación de instancias YOLO11 con el paquete de Python de Ultralytics y Ultralytics HUB (ahora Ultralytics Platform). ¡Vamos allá!

¿Qué es la segmentación de instancias?#

La segmentación de instancias se puede utilizar para identificar objetos en una imagen y delinearlos a nivel de píxel. El proceso suele comenzar por detectar los objetos y dibujar cuadros delimitadores a su alrededor. Después, un algoritmo de segmentación clasifica cada píxel dentro del cuadro delimitador para crear una máscara precisa de cada objeto.

La segmentación de instancias también se diferencia de tareas como la segmentación semántica y la segmentación panóptica. La segmentación semántica asigna una etiqueta a cada píxel según la categoría general de un objeto, sin distinguir las instancias individuales. En cambio, la segmentación panóptica combina la segmentación de instancias y la semántica: asigna a cada píxel tanto una clase como un ID de instancia para identificar los objetos individuales dentro de cada categoría.

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

Las capacidades de la segmentación de instancias pueden aplicarse en distintas situaciones que pueden requerir modelos diferentes. Por ejemplo, un modelo ligero podría ser ideal para el procesamiento en tiempo real en aplicaciones móviles, mientras que uno más complejo podría utilizarse en tareas de alta precisión, como el control de calidad en la fabricación.

Al igual que los modelos anteriores, el modelo de segmentación de instancias YOLO11 también está disponible en varias versiones, según tus necesidades. Estas variantes son YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) y YOLO11x-seg (Extra Large). Los modelos varían en tamaño, velocidad de procesamiento, precisión y potencia de cálculo necesaria. Según tus requisitos específicos, puedes elegir el modelo que mejor se adapte a tu aplicación.

Aplicaciones de la segmentación de instancias de YOLO11#

Las avanzadas capacidades de segmentación de instancias de YOLO11 abren un amplio abanico de aplicaciones en distintos sectores. Veamos algunas de ellas con más detalle.

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

La extracción de petróleo y gas implica gestionar fluctuaciones de presión extremadamente altas. Técnicas como la quema de gas permiten quemar el gas natural que se produce durante la extracción de petróleo. Esto es necesario por motivos de seguridad. Por ejemplo, durante la extracción de crudo, un aumento repentino o importante de la presión podría provocar una explosión. Aunque no son frecuentes, los accidentes industriales del sector de la producción de petróleo y gas pueden causar incendios intensos, difíciles de contener y controlar. La quema de gas ayuda a los operadores a despresurizar los equipos de forma segura y a gestionar grandes fluctuaciones de presión imprevisibles, quemando el exceso de gas.

Los sistemas de IA pueden mejorar este proceso de supervisión y reducir el riesgo de accidentes mediante un sistema de supervisión de antorchas basado en la segmentación de instancias. La supervisión de la quema en antorcha también es importante por motivos medioambientales, ya que un exceso de quema puede perjudicar al medioambiente.

Los modelos de segmentación de instancias de Ultralytics YOLO11 pueden utilizarse para supervisar la cantidad de fuego y humo generada por la quema de gas. Se puede calcular el área en píxeles de la llama y el humo detectados y segmentados. Con esta información, los operadores pueden obtener datos en tiempo real sobre la llama y el humo producidos por la quema de gas, lo que les ayuda a prevenir accidentes e impactos ambientales negativos.

Fig. 3. Ejemplo de supervisión de antorchas con YOLO11 en la producción de petróleo y gas.

Segmentación de instancias con YOLO11 para gestionar residuos plásticos#

Los trabajadores de las instalaciones de gestión de residuos y reciclaje pueden utilizar sistemas basados en la segmentación de instancias de YOLO11 para identificar materiales de plástico desechado. YOLO11 se puede integrar con sistemas robóticos de clasificación para identificar con precisión distintos materiales residuales, como el cartón y el plástico, que deben procesarse por separado. Esto es especialmente importante si tenemos en cuenta que, de los 7000 millones de toneladas métricas de residuos plásticos generados en todo el mundo, solo se recicla alrededor del 10 %.

Automatizar la identificación y clasificación de residuos plásticos reduce considerablemente el tiempo necesario en comparación con los métodos tradicionales, en los que los trabajadores clasifican los objetos a mano. Los modelos de visión artificial incluso pueden segmentar plásticos blandos, como envoltorios y bolsas, que plantean especiales dificultades porque suelen enredarse. También es posible entrenar modelos YOLO11 personalizados para segmentar distintos tipos de plástico. En las siguientes secciones veremos cómo puedes entrenar un modelo personalizado YOLO11.

Fig. 4. Identificación de residuos plásticos con Ultralytics YOLO11.

Segmentación con YOLO11 en vehículos autónomos#

Otro caso de uso interesante de la segmentación de instancias son los coches autónomos. YOLO11 permite que los coches autónomos mejoren la seguridad de los pasajeros y de otras personas en la carretera al reconocer objetos con precisión a nivel de píxel. El sistema de cámaras a bordo del coche puede capturar imágenes del entorno y analizarlas con YOLO11 y la segmentación de instancias. Cada objeto de la imagen (peatones, semáforos, otros vehículos, etc.) se segmenta y recibe una etiqueta. Este nivel de precisión permite a los coches autónomos 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.

Prueba la segmentación de instancias con el modelo YOLO11#

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

Hay dos maneras de hacerlo: puedes usar el paquete de Python de Ultralytics o Ultralytics HUB. Veremos ambas opciones, empezando por el paquete de Python.

Ejecución de inferencias con YOLO11#

Ejecutar una inferencia consiste en utilizar el modelo para analizar datos nuevos que no se han visto antes. Para ejecutar una inferencia mediante código con el modelo de segmentación de instancias YOLO11, tenemos que instalar el paquete de Python de Ultralytics con pip, conda o Docker. Si tienes algún problema durante la instalación, consulta nuestra guía de problemas frecuentes para obtener ayuda y consejos de resolución. Una vez instalado el paquete, puedes ejecutar el código siguiente para cargar el modelo de segmentación de instancias YOLO11n-seg y hacer predicciones sobre una imagen.

Fig. 6. Ejecución de una inferencia sobre una imagen con YOLO11n-seg.

Entrenamiento de un modelo YOLO11 personalizado#

Con la misma configuración de código, también puedes entrenar un modelo YOLO11 personalizado. Al ajustar un modelo YOLO11, puedes crear una versión personalizada que se adapte mejor a los requisitos específicos de tu proyecto. Por ejemplo, los comercios pueden utilizar un modelo personalizado para segmentar con precisión las características físicas de un cliente y recomendarle ropa que le quede bien. El siguiente fragmento de código muestra cómo cargar y entrenar un modelo YOLO11 para la segmentación de instancias. Puedes empezar con una configuración YAML o un modelo preentrenado, transferir pesos y entrenar con un conjunto de datos como COCO para conseguir una segmentación eficaz.

Cuando hayas terminado, puedes realizar inferencias con el modelo personalizado para tus aplicaciones específicas. También puedes convertir tu modelo personalizado a otros formatos de implementación mediante el modo de exportación.

Segmentación de instancias YOLO11 en Ultralytics HUB#

Ahora que hemos visto cómo ejecutar inferencias y entrenar mediante código un modelo YOLO11 de segmentación de instancias, veamos una alternativa sin código: Ultralytics HUB. Ultralytics HUB es una plataforma intuitiva de IA de visión que simplifica el entrenamiento y la implementación de modelos YOLO, incluidos los modelos YOLO11 de segmentación de instancias.

Para ejecutar inferencias en imágenes, solo tienes que crear una cuenta, ir a la sección «Models» y seleccionar la variante que prefieras del modelo YOLO11 de segmentación de instancias. 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 fiables de segmentación de instancias que abren un mundo de posibilidades en distintos sectores. Desde mejorar la seguridad de los vehículos autónomos y supervisar la quema en antorcha en el sector del petróleo y el gas hasta automatizar la clasificación de residuos en las instalaciones de reciclaje, la precisión de YOLO11 a nivel de píxel lo hace ideal para tareas complejas de segmentación.

Gracias a las opciones de entrenamiento personalizado con el paquete de Python de Ultralytics y a la configuración sin código de Ultralytics HUB, los usuarios pueden integrar YOLO11 en sus flujos de trabajo. Tanto en aplicaciones industriales como en sanidad, comercio minorista o supervisión medioambiental, YOLO11 ofrece la flexibilidad y precisión necesarias para satisfacer distintas necesidades de segmentación.

Para descubrir más, visita nuestro repositorio de GitHub y participa en nuestra comunidad. Descubre aplicaciones de IA en coches autónomos y agricultura en nuestras páginas de soluciones.