Cómo usar Ultralytics YOLO11 para la segmentación de instancias

La visión artificial, un campo dentro de la inteligencia artificial (IA) que ayuda a las máquinas a interpretar y comprender 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 en la imagen, incluso cuando hay varios objetos del mismo tipo. Con su alto nivel de precisión, la segmentación de instancias tiene una amplia gama de 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 significativamente. Un desarrollo reciente se presentó durante el evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24), en forma del modelo Ultralytics YOLO11. El nuevo modelo admite las mismas tareas de visión artificial (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 segmentación de instancias 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 YOLO11 mediante el paquete de Python de Ultralytics y la plataforma Ultralytics HUB. ¡Empecemos!

Link to this section¿Qué es la segmentación de instancias?#

La segmentación de instancias se puede utilizar para identificar objetos en una imagen y delimitarlos a nivel de píxel. El proceso suele implicar primero detectar objetos y dibujar cajas delimitadoras alrededor de ellos. Después, un algoritmo de segmentación clasifica cada píxel dentro de la caja delimitadora para crear una máscara precisa para cada objeto.

La segmentación de instancias también es diferente de tareas como la segmentación semántica y la segmentación panóptica. La segmentación semántica etiqueta cada píxel según la categoría general de un objeto, sin distinguir instancias individuales. La segmentación panóptica, por otro lado, combina tanto la segmentación de instancias como 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 diversos escenarios que pueden requerir diferentes modelos. Por ejemplo, un modelo ligero podría ser ideal para el procesamiento en tiempo real en aplicaciones móviles, mientras que se podría utilizar un modelo más complejo para 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 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 cuanto a su tamaño, velocidad de procesamiento, precisión y la cantidad de potencia computacional que requieren. Según tus requisitos específicos, puedes elegir el modelo que mejor se adapte a tu aplicación.

Link to this sectionAplicaciones 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.

Link to this sectionUso de la segmentación de YOLO11 en la industria del petróleo y el gas#

La extracción de petróleo y gas implica gestionar fluctuaciones de presión extremadamente altas. Técnicas como la quema de gas ayudan a quemar el gas natural que se produce durante la extracción de petróleo. Es necesario por razones de seguridad. Por ejemplo, en la extracción de crudo, un pico de presión repentino o significativo podría provocar una explosión. Aunque no es frecuente, los accidentes industriales en el sector de fabricación de petróleo y gas pueden provocar incendios intensos que son difíciles de contener y controlar. La quema de gas ayuda a los operarios a despresurizar los equipos de forma segura y a gestionar fluctuaciones de presión impredecibles y grandes 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 segmentación de instancias de Ultralytics YOLO11 se pueden utilizar para controlar la cantidad de fuego y humo causado por la quema. Se puede calcular el área de píxeles del quemador detectado y segmentado y del humo. Usando esta información, los operarios pueden obtener información en tiempo real sobre el fuego y el humo causados por la quema, lo que les ayuda a prevenir accidentes y los impactos medioambientales negativos.

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

Link to this sectionSegmentación de instancias con YOLO11 para la gestión de residuos plásticos#

Los trabajadores en las instalaciones de gestión de residuos y reciclaje pueden usar sistemas basados en la segmentación de instancias de YOLO11 para identificar materiales de residuos plásticos. YOLO11 se puede integrar con sistemas de clasificación robótica para identificar con precisión diferentes materiales de desecho, como cartón y plástico (para procesarlos por separado). Es especialmente importante teniendo en cuenta que, de los 7000 millones de toneladas de residuos plásticos generados a nivel mundial, solo alrededor del 10% se recicla.

Automatizar la identificación y la clasificación de residuos plásticos reduce significativamente el tiempo necesario en comparación con los métodos tradicionales, donde los trabajadores clasifican los artículos a mano. Los modelos de visión artificial pueden incluso segmentar plásticos blandos como envoltorios y bolsas, que son especialmente difíciles porque a menudo se enredan. Los modelos YOLO11 también pueden entrenarse a medida para segmentar diferentes tipos de plásticos. Aprenderemos más sobre cómo puedes entrenar a medida un modelo YOLO11 en las siguientes secciones.

Fig 4. Identificación de residuos plásticos con Ultralytics YOLO11.

Link to this sectionSegmentación de YOLO11 en vehículos autónomos#

Otro caso de uso interesante de la segmentación de instancias es en los coches autónomos. YOLO11 permite a los coches de conducción autónoma mejorar la seguridad de los pasajeros y de los demás usuarios de la carretera al reconocer con precisión los objetos a nivel de píxel. El sistema de cámaras del coche puede capturar imágenes del entorno y analizarlas mediante 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. Tal nivel de precisión otorga a los coches autónomos la capacidad de identificar todos y cada uno de los objetos a su alrededor.

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

Link to this sectionProbando 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.

Link to this sectionEjecución de inferencias usando YOLO11#

Ejecutar una inferencia implica usar el modelo para analizar datos nuevos y nunca vistos. Para ejecutar una inferencia mediante el modelo de segmentación de instancias YOLO11 a través de código, debemos instalar el paquete de Python de Ultralytics usando pip, conda o docker. En caso de que tengas algún problema durante la instalación, puedes consultar nuestra Guía de problemas comunes 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 YOLO11 y ejecutar predicciones en una imagen.

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

Link to this sectionEntrenamiento de un modelo YOLO11 personalizado#

Con la misma configuración de código, también puedes entrenar un modelo YOLO11 a medida. Al ajustar un modelo YOLO11, puedes crear una versión personalizada del modelo que se ajuste mejor a los requisitos de tu proyecto específico. Por ejemplo, los minoristas pueden usar un modelo personalizado para segmentar con precisión las características físicas de un cliente y recomendar ropa que le quede bien. El fragmento de código que aparece a continuación muestra cómo cargar y entrenar un modelo YOLO11 para la segmentación de instancias. Puedes empezar desde una configuración YAML o un modelo preentrenado, transferir pesos y entrenar en un conjunto de datos como COCO para lograr una segmentación eficaz.

Una vez completado, puedes realizar inferencias usando el modelo personalizado para tus aplicaciones específicas. Usando la opción de exportación, también puedes exportar tu modelo personalizado a un formato diferente.

Link to this sectionSegmentación 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 YOLO11 mediante código, veamos una alternativa sin código: Ultralytics HUB. Ultralytics HUB es una intuitiva plataforma de visión artificial que simplifica el proceso de entrenamiento y despliegue de modelos YOLO, incluidos los modelos de segmentación de instancias 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.

Link to this sectionConclusiones 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 saber más, visita nuestro repositorio de GitHub e interactúa con nuestra comunidad. Explora aplicaciones de IA en coches autónomos y agricultura en nuestras páginas de soluciones. 🚀