Al hacer clic en "Aceptar todas las cookies", usted acepta el almacenamiento de cookies en su dispositivo para mejorar la navegación por el sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información en
Configuración de cookies
Al hacer clic en "Aceptar todas las cookies", usted acepta el almacenamiento de cookies en su dispositivo para mejorar la navegación por el sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información en
Descubra la potencia de YOLOv8. Conozca su velocidad, precisión y capacidad de detección en tiempo real. Explore los aspectos más destacados y únase a nuestros Debates de GitHub para obtener más información.
Echemos un vistazo al mundo de la segmentación de objetos con el modelo YOLOv8 de Ultralytics. En este blogpost te guiaremos a través de los entresijos de la configuración y ejecución de la segmentación con facilidad en Python.
Preparar el terreno para la segmentación
Empecemos centrándonos en YOLOv8. La instalación de este potente modelo es muy sencilla y, en unos instantes, estará preparado y listo para aprovechar sus capacidades de segmentación.
La segmentación de instancias va un paso más allá de la detección de objetos, ya que señala objetos individuales dentro de una imagen y los separa del fondo.
El resultado son máscaras o contornos que delimitan cada objeto, acompañados de etiquetas de clase y puntuaciones de confianza. Esta técnica resulta inestimable cuando es esencial precisar las formas de los objetos, ya que no sólo proporciona su ubicación, sino también información detallada sobre su forma.
Con unos sencillos comandos, podrás ejecutar predicciones desde la línea de comandos, siendo testigo de primera mano de la innovación y sencillez que aporta YOLOv8.
Segmentación en directo: Dar vida a las imágenes
Pero, ¿por qué limitarnos a imágenes estáticas cuando podemos experimentar la segmentación en tiempo real? Nuestro script Python es tu puerta de entrada al mundo dinámico de la segmentación en vivo.
Aprovechando la clase YOLO e integrándola a la perfección con OpenCV, podrás dar vida a tus proyectos y descubrir patrones y conocimientos ocultos sobre la marcha.
Desde identificar sillas hasta delinear plantas, las posibilidades son tan infinitas como su imaginación.
Fig. 1. Nicolai Nielsen esbozando los modelos preentrenados de segmentación COCO.
En Ultralytics, también proporcionamos soporte para modelos preentrenados de segmentación COCO, que sirven como un excelente punto de partida para cualquier caso de uso. A continuación, puede ajustar estos modelos a sus necesidades específicas.
En conjunto, ofrecemos soporte para varios conjuntos de datos, como la segmentación de instancias de piezas de automóviles, la segmentación de grietas y la segmentación de paquetes industriales. El entrenamiento de modelos de segmentación en estos conjuntos de datos se simplifica con un único comando disponible en nuestra documentación:
Permanezca atento
Acompáñenos en los próximos vídeos mientras profundizamos en el reino de YOLOv8, explorando el entrenamiento personalizado y la inferencia en sus propios conjuntos de datos.
Nos comprometemos a simplificar las complejidades de la IA y el aprendizaje automático, segmento a segmento. Nuestra misión es capacitar a individuos y organizaciones por igual para aprovechar todo el potencial de las tecnologías de vanguardia como YOLOv8. Con nuestra orientación y su curiosidad, no se sabe qué increíbles avances nos esperan.
Únase a nosotros para descubrir todo el potencial de Ultralytics YOLOv8. ¡Vea el vídeo completo aquí!