Cómo utilizar Ultralytics YOLO11 para la segmentación de instancias

La visión por ordenador, un campo de la inteligencia artificial (AI) 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 de la imagen, incluso cuando hay varios objetos del mismo tipo. Gracias a su alto nivel de precisión, la segmentación de instancias tiene un amplio abanico de aplicaciones, desde ayudar a los coches autónomos a detectar obstáculos en la carretera hasta identificar tumores en pruebas médicas.

A lo largo de los años, la segmentación de instancias ha evolucionado considerablemente. Durante el evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24), se presentó una novedad en forma del modelo Ultralytics YOLO11. El nuevo modelo admite las mismas tareas de visión por ordenador (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 complicaciones.

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

En este artículo, analizaremos la segmentación de instancias y en qué se diferencia de otras tareas de visión por ordenador, como la segmentación semántica, además de comentar algunas de sus aplicaciones. También veremos paso a paso cómo puedes utilizar el modelo de segmentación de instancias YOLO11 mediante el paquete Python de Ultralytics y la plataforma Ultralytics HUB. ¡Empecemos!

¿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 consistir primero en detectar objetos y dibujar cajas delimitadoras a su alrededor. 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 se diferencia 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 entre instancias individuales. La segmentación panóptica, por otro lado, combina la segmentación de instancias y la semántica al etiquetar cada píxel tanto con una clase como con un identificador de instancia, identificando los objetos individuales dentro de cada categoría.

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

Las capacidades de la segmentación de instancias se pueden aplicar en diversos escenarios que pueden requerir modelos diferentes. Por ejemplo, un modelo ligero puede ser ideal para el procesamiento en tiempo real en aplicaciones móviles, mientras que un modelo más complejo podría utilizarse 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 ofrece 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 tamaño, velocidad de procesamiento, precisión y cantidad de potencia computacional que requieren. 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 diversos sectores. Veamos más de cerca algunas de ellas.

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 en antorcha ayudan a quemar el gas natural que se produce durante la extracción de petróleo. Esto es necesario por motivos de seguridad. Por ejemplo, en la extracción de crudo, un aumento repentino o considerable de la presión podría provocar una explosión. Aunque no son habituales, los accidentes industriales en el sector de la producción de petróleo y gas pueden provocar incendios muy intensos, difíciles de contener y controlar. La quema en antorcha ayuda a los operadores a despresurizar los equipos de forma segura y a gestionar las fluctuaciones de presión grandes e impredecibles quemando el exceso de gas.

Los sistemas de AI pueden mejorar este proceso de supervisión, y el riesgo de accidentes se puede reducir mediante un sistema de supervisión de antorchas basado en la segmentación de instancias. Supervisar la quema en antorcha también es importante por motivos medioambientales, ya que una quema excesiva puede afectar negativamente al medio ambiente.

Los modelos de segmentación de instancias de Ultralytics YOLO11 se pueden utilizar para supervisar la cantidad de fuego y humo provocada por la quema en antorcha. Se puede calcular el área en píxeles de la antorcha y el humo detectados y segmentados. Con esta información, los operadores pueden obtener información en tiempo real sobre la antorcha y el humo provocados por la quema, lo que les ayuda a prevenir accidentes e impactos medioambientales negativos.

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

Segmentación de instancias con YOLO11 para la gestión de 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 residuos plásticos. YOLO11 se puede integrar con sistemas robóticos de clasificación para identificar con precisión distintos materiales de desecho, como cartón y plástico (que se procesarán por separado). Esto es especialmente importante si tenemos en cuenta que, de los 7000 millones de toneladas de residuos plásticos generados en todo el mundo, solo se recicla aproximadamente el 10 %.

Automatizar la identificación y la clasificación de residuos plásticos reduce considerablemente el tiempo necesario frente a los métodos tradicionales, en los que los trabajadores clasifican los artículos a mano. Los modelos de visión por ordenador pueden incluso segmentar plásticos blandos, como envoltorios y bolsas, que son especialmente difíciles de tratar porque suelen enredarse. Los modelos YOLO11 también se pueden entrenar de forma personalizada para segmentar distintos tipos de plástico. En las siguientes secciones veremos con más detalle cómo puedes entrenar de forma personalizada un modelo YOLO11.

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

Segmentación de YOLO11 en vehículos autónomos#

Otro caso de uso interesante de la segmentación de instancias se encuentra en los coches autónomos. YOLO11 permite a los coches autónomos mejorar 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 integrado en el vehículo puede capturar imágenes del entorno y analizarlas mediante YOLO11 y la segmentación de instancias. Cada objeto (peatones, semáforos, otros vehículos, etc.) presente en la imagen 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 analizado la segmentación de instancias y comentado algunas de sus aplicaciones, veamos cómo puedes probarla con el modelo Ultralytics YOLO11.

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

Ejecución de inferencias con YOLO11#

Ejecutar una inferencia implica utilizar el modelo para analizar datos nuevos que no se habían visto anteriormente. Para ejecutar una inferencia mediante código con el modelo de segmentación de instancias YOLO11, tenemos que instalar el paquete Python de Ultralytics usando pip, conda o docker. Si tienes algún problema durante la instalación, puedes consultar nuestra guía de problemas habituales para obtener ayuda con la resolución 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 realizar predicciones sobre una imagen.

Fig. 6. Ejecución de una inferencia sobre una imagen mediante 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 cumpla mejor los requisitos de tu proyecto específico. Por ejemplo, los minoristas pueden utilizar un modelo personalizado para segmentar con precisión las características físicas de un cliente y recomendarle ropa que le quede bien. El fragmento de código siguiente muestra cómo cargar y entrenar un modelo YOLO11 para la segmentación de instancias. Puedes empezar con una configuración YAML o con un modelo preentrenado, transferir los pesos y entrenarlo con un conjunto de datos como COCO para conseguir una segmentación eficaz.

Una vez completado el proceso, puedes realizar inferencias con el modelo personalizado para tus aplicaciones específicas. Mediante la opción de exportación, también puedes exportar tu modelo personalizado a otro formato.

Segmentación de instancias de YOLO11 en Ultralytics HUB#

Ahora que hemos visto cómo ejecutar inferencias y entrenar de forma personalizada un modelo de segmentación de instancias YOLO11 mediante código, veamos una alternativa sin código: Ultralytics HUB. Ultralytics HUB es una plataforma intuitiva de AI para visión que simplifica el proceso de entrenar y desplegar modelos YOLO, incluidos los modelos de segmentación de instancias YOLO11.

Para ejecutar inferencias sobre imágenes, solo tienes que crear una cuenta, ir a la sección «Models» y seleccionar la variante del modelo de segmentación de instancias YOLO11 que prefieras. Puedes cargar 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 diversos sectores. Desde mejorar la seguridad en los vehículos autónomos y supervisar la quema en antorcha 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 complejas de segmentación.

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

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