5 novembre 2024
Comprendre comment le nouveau modèle Ultralytics YOLO11 peut être utilisé pour la segmentation des instances afin d'obtenir une plus grande précision dans des applications telles que la gestion des déchets et la surveillance des torchères.
La vision artificielle, un domaine de l'intelligence artificielle (IA) qui aide les machines à interpréter et à comprendre les informations visuelles, permet d'effectuer des tâches telles que la segmentation d'instances. La segmentation d'instances peut être utilisée pour analyser une image ou une trame vidéo afin de marquer les limites exactes de chaque objet distinct dans l'image, même lorsque plusieurs objets du même type sont présents. Grâce à son haut niveau de précision, la segmentation d'instances a un large éventail d'applications, qui vont de l'aide apportée aux voitures autonomes pour detect obstacles sur la route à l'identification des tumeurs dans les scanners médicaux.
Au fil des ans, la segmentation des instances a considérablement évolué. Une évolution récente a été introduite lors de l'événement hybride annuel d'Ultralytics, YOLO Vision 2024 (YV24), sous la forme de la segmentation des instances. Ultralytics YOLO11 d'Ultralytics. Ce nouveau modèle prend en charge les mêmes tâches de vision par ordinateur (y compris la segmentation d'instances) que le modèle YOLO11 d'Ultralytics. Ultralytics YOLOv8 de sorte que les utilisateurs familiers avec les versions précédentes peuvent adopter le nouveau modèle en toute transparence.
Dans cet article, nous allons explorer la segmentation d'instance et en quoi elle diffère d'autres tâches de vision par ordinateur telles que la segmentation sémantique, ainsi que discuter de certaines de ses applications. Nous verrons également comment vous pouvez utiliser le modèle de segmentation d'instance YOLO11 en utilisant le packageUltralytics Python et la plateforme Ultralytics HUB. C'est parti !
La segmentation d'instance peut être utilisée pour identifier des objets dans une image et les délimiter au niveau du pixel. Le processus implique généralement d'abord la détection d'objets et le traçage de boîtes englobantes autour de ceux-ci. Ensuite, un algorithme de segmentation classe chaque pixel à l'intérieur de la boîte englobante pour créer un masque précis pour chaque objet.
La segmentation d'instance est également différente des tâches telles que la segmentation sémantique et la segmentation panoptique. La segmentation sémantique étiquette chaque pixel en fonction de la catégorie générale d'un objet, sans distinguer les instances individuelles. La segmentation panoptique, quant à elle, combine la segmentation d'instance et la segmentation sémantique en étiquetant chaque pixel avec une classe et un ID d'instance, identifiant ainsi les objets individuels dans chaque catégorie.
Les capacités de la segmentation d'instance peuvent être appliquées dans divers scénarios qui peuvent nécessiter différents modèles. Par exemple, un modèle léger peut être idéal pour le traitement en temps réel dans les applications mobiles, tandis qu'un modèle plus complexe pourrait être utilisé pour des tâches de haute précision comme le contrôle qualité dans la fabrication.
Comme les modèles précédents, le YOLO11 se décline également en plusieurs variantes en fonction de vos besoins. Ces variantes sont les suivantes : YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) et YOLO11x-seg (Extra Large). Ces modèles varient en termes de taille, de vitesse de traitement, de précision et de puissance de calcul. En fonction de vos besoins spécifiques, vous pouvez choisir le modèle qui convient le mieux à votre application.
Les capacités avancées de segmentation des instances de YOLO11 ouvrent la voie à une série d'applications dans divers secteurs d'activité. Examinons de plus près certaines de ces applications.
L'extraction de pétrole et de gaz implique la gestion de fluctuations de pression extrêmement élevées. Des techniques comme le torchage du gaz aident à brûler le gaz naturel produit lors de l'extraction du pétrole. Ceci est nécessaire pour des raisons de sécurité. Par exemple, dans l'extraction de pétrole brut, un pic de pression soudain ou important pourrait entraîner une explosion. Bien que rares, les accidents industriels dans le secteur de la fabrication de pétrole et de gaz peuvent entraîner des incendies intenses difficiles à contenir et à contrôler. Le torchage du gaz aide les opérateurs à dépressuriser en toute sécurité les équipements et à gérer les fluctuations de pression importantes et imprévisibles en brûlant l'excès de gaz.
Les systèmes d'IA peuvent améliorer ce processus de surveillance, et le risque d'accidents peut être réduit en utilisant un système de surveillance des torchères basé sur la segmentation d'instance. La surveillance du torchage du gaz est également importante pour des raisons environnementales, car un torchage excessif peut avoir un impact négatif sur l'environnement.
Les modèles desegmentation d'instance Ultralytics YOLO11 peuvent être utilisés pour surveiller la quantité de feu et de fumée causée par les torchères. La surface en pixels de la torche et de la fumée détectées et segmentées peut être calculée. Grâce à ces informations, les opérateurs peuvent obtenir des informations en temps réel sur les incendies et les fumées provoqués par les torchères, ce qui les aide à prévenir les accidents et les impacts négatifs sur l'environnement.
Les travailleurs des installations de gestion et de recyclage des déchets peuvent utiliser les systèmes de segmentation de l'instance YOLO11 pour identifier les déchets plastiques. YOLO11 peut être intégré à des systèmes de tri robotisés pour identifier avec précision les différents déchets, comme le carton et le plastique (à traiter séparément). C'est d'autant plus important que sur les 7 milliards de tonnes de déchets plastiques produits dans le monde, seuls 10 % environ sont recyclés.
L'automatisation de l'identification et du tri des déchets plastiques réduit considérablement le temps nécessaire par rapport aux méthodes traditionnelles, où les travailleurs trient les articles à la main. Les modèles de vision par ordinateur peuvent même segment plastiques souples tels que les emballages et les sacs, ce qui est particulièrement difficile car ils s'emmêlent souvent. Les modèlesYOLO11 peuvent également être formés sur mesure pour segment différents types de plastique. Nous verrons plus en détail comment vous pouvez entraîner un modèle YOLO11 dans les sections suivantes.
Les voitures autonomes constituent un autre cas d'utilisation intéressant de la segmentation des instances. YOLO11 permet aux voitures autonomes d' améliorer la sécurité des passagers et des autres usagers de la route en reconnaissant avec précision les objets au niveau du pixel. Le système de caméra embarqué de la voiture peut capturer des images de l'environnement et les analyser à l'aide de YOLO11 et de la segmentation d'instances. Chaque objet (piétons, feux de signalisation, autres véhicules, etc.) de l'image est segmenté et reçoit une étiquette. Un tel niveau de précision permet aux voitures autonomes d'identifier chacun des objets qui les entourent.
Maintenant que nous avons exploré la segmentation des instances et discuté de certaines de ses applications, voyons comment vous pouvez l'essayer en utilisant le modèleYOLO11 'Ultralytics .
Il y a deux façons de le faire : vous pouvez utiliser le package Ultralytics Python ou le HUB Ultralytics . Nous allons explorer les deux, en commençant par le paquetage Python .
L'exécution d'une inférence implique l'utilisation du modèle pour analyser de nouvelles données inédites. Pour exécuter une inférence à l'aide du modèle de segmentation d'instance YOLO11 par le biais du code, nous devons installer le packageUltralytics Python à l'aide de pip, conda ou docker. Si vous rencontrez des problèmes lors de l'installation, vous pouvez vous référer à notre Guide des problèmes courants pour obtenir de l'aide dans le dépannage. Une fois le package installé, vous pouvez exécuter le code ci-dessous pour charger le modèle de segmentation d'instance YOLO11 et exécuter les prédictions sur une image.
Avec la même configuration de code, vous pouvez également former un modèle YOLO11 personnalisé. En affinant un modèle YOLO11 , vous pouvez créer une version personnalisée du modèle qui répond mieux aux exigences spécifiques de votre projet. Par exemple, les détaillants peuvent utiliser un modèle personnalisé pour segment avec précision les caractéristiques physiques d'un client afin de lui recommander des vêtements à sa taille. L'extrait de code ci-dessous montre comment charger et entraîner un modèle YOLO11 pour la segmentation des instances. Vous pouvez partir d'une configuration YAML ou d'un modèle pré-entraîné, transférer des poids et vous entraîner sur un ensemble de données comme COCO pour obtenir une segmentation efficace.
Une fois terminé, vous pouvez effectuer des inférences à l'aide du modèle personnalisé pour vos applications spécifiques. En utilisant l'option d'exportation, vous pouvez également exporter votre modèle personnalisé vers un format différent.
Maintenant que nous avons exploré l'exécution d'inférences et l'entraînement personnalisé d'un modèle de segmentation d'instance YOLO11 par le biais du code, examinons une alternative sans code : Ultralytics HUB. Ultralytics HUB est une plateforme Vision AI intuitive qui simplifie le processus d'entraînement et de déploiement des modèles YOLO , y compris les modèles de segmentation d'instances YOLO11 .
Pour lancer l'inférence sur des images, il vous suffit de créer un compte, d'aller dans la section "Modèles" et de sélectionner la variante du modèle de segmentation d'instance YOLO11 de votre choix. Vous pouvez télécharger une image et visualiser les résultats de la prédiction dans la section de prévisualisation, comme indiqué ci-dessous.
YOLO11 offre des capacités de segmentation d'instance fiables qui ouvrent un monde de possibilités dans divers secteurs. Qu'il s'agisse d'améliorer la sécurité des véhicules autonomes, de surveiller le brûlage des gaz dans le secteur du pétrole et du gaz ou d'automatiser le tri des déchets dans les installations de recyclage, la précision au niveau du pixel de YOLO11en fait la solution idéale pour les tâches de segmentation complexes.
Avec des options de formation personnalisée via le package Ultralytics Python et une installation sans code via Ultralytics HUB, les utilisateurs peuvent intégrer YOLO11 de manière transparente dans leurs flux de travail. Qu'il s'agisse d'applications industrielles, de santé, de commerce de détail ou de surveillance de l'environnement, YOLO11 apporte flexibilité et précision pour répondre à divers besoins de segmentation.
Pour en savoir plus, consultez notre dépôt GitHub et rejoignez notre communauté. Explorez les applications de l'IA dans les voitures autonomes et l'agriculture sur nos pages de solutions. 🚀
