Comment utiliser Ultralytics YOLO11 pour la segmentation d'instances

La vision par ordinateur, un domaine de l'intelligence artificielle (IA) qui aide les machines à interpréter et à comprendre les informations visuelles, permet d'effectuer des tâches comme la segmentation d'instances. La segmentation d'instances peut être utilisée pour analyser une image ou une séquence vidéo afin de marquer les contours exacts de chaque objet distinct, même lorsque plusieurs objets du même type sont présents. Grâce à son haut niveau de précision, la segmentation d'instances possède un large éventail d'applications, allant de l'aide aux voitures autonomes pour détecter les obstacles sur la route à l'identification de tumeurs dans les scans médicaux.

Au fil des ans, la segmentation d'instances a considérablement évolué. Une avancée récente a été introduite lors de l'événement hybride annuel d'Ultralytics, YOLO Vision 2024 (YV24), sous la forme du modèle Ultralytics YOLO11. Ce nouveau modèle prend en charge les mêmes tâches de vision par ordinateur (incluant la segmentation d'instances) que le modèle Ultralytics YOLOv8, permettant aux utilisateurs familiers des versions précédentes d'adopter le nouveau modèle en toute simplicité.

Fig 1. Un exemple d'utilisation du modèle Ultralytics YOLO11 pour la segmentation d'instances.

Dans cet article, nous explorerons la segmentation d'instances et ses différences avec d'autres tâches de vision par ordinateur comme la segmentation sémantique, et nous aborderons certaines de ses applications. Nous verrons également comment utiliser le modèle de segmentation d'instances YOLO11 via le package Python Ultralytics et la plateforme Ultralytics HUB. Commençons !

Link to this sectionQu'est-ce que la segmentation d'instance ?#

La segmentation d'instances peut être utilisée pour identifier des objets dans une image et les détourer au niveau du pixel. Le processus implique généralement d'abord la détection d'objets et le tracé de bounding boxes autour d'eux. Ensuite, un algorithme de segmentation classifie chaque pixel à l'intérieur de la bbox pour créer un masque précis pour chaque objet.

La segmentation d'instances diffère également de 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'instances et la segmentation sémantique en étiquetant chaque pixel avec à la fois une classe et un ID d'instance, identifiant ainsi les objets individuels au sein de chaque catégorie.

Fig 2. Utilisation de YOLO11 pour détecter et segmenter une personne et un chien.

Les capacités de la segmentation d'instances peuvent être appliquées dans divers scénarios nécessitant des modèles différents. Par exemple, un modèle léger pourrait être idéal pour le traitement en temps réel dans des applications mobiles, tandis qu'un modèle plus complexe pourrait être utilisé pour des tâches de haute précision comme le contrôle qualité dans l'industrie manufacturière.

Comme les modèles précédents, le modèle de segmentation d'instances YOLO11 est décliné en plusieurs variantes selon tes besoins. Ces variantes incluent 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 requise. Selon tes besoins spécifiques, tu peux choisir le modèle qui convient le mieux à ton application.

Link to this sectionApplications de la segmentation d'instances pour YOLO11#

Les capacités avancées de segmentation d'instances de YOLO11 ouvrent un large éventail d'applications dans divers secteurs. Examinons de plus près certaines de ces applications.

Link to this sectionUtilisation de la segmentation YOLO11 dans l'industrie pétrolière et gazière#

L'extraction de pétrole et 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 pétrolière. C'est nécessaire pour des raisons de sécurité. Par exemple, dans l'extraction de pétrole brut, une hausse soudaine ou significative de la pression pourrait entraîner une explosion. Bien que rares, les accidents industriels dans le secteur du pétrole et du gaz peuvent provoquer des incendies intenses difficiles à contenir et à maîtriser. Le torchage permet aux opérateurs de dépressuriser les équipements en toute sécurité et de gérer les fluctuations de pression imprévisibles et importantes 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 de segmentation d'instances d'Ultralytics YOLO11 peuvent être utilisés pour surveiller la quantité de feu et de fumée causée par le torchage. La surface en pixels de la torchère et de la fumée détectées et segmentées peut être calculée. Grâce à ces informations, les opérateurs peuvent obtenir des insights en temps réel sur la torchère et la fumée, les aidant ainsi à prévenir les accidents et les impacts environnementaux négatifs.

Fig 3. Un exemple de surveillance de torchère utilisant YOLO11 dans l'industrie pétrolière et gazière.

Link to this sectionSegmentation d'instances avec YOLO11 pour la gestion des déchets plastiques#

Les employés des installations de gestion des déchets et de recyclage peuvent utiliser des systèmes basés sur la segmentation d'instances YOLO11 pour identifier les déchets plastiques. YOLO11 peut être intégré à des systèmes de tri robotisés pour identifier avec précision différents matériaux de déchets, comme le carton et le plastique (devant être traités séparément). C'est particulièrement important si l'on considère que sur les 7 milliards de tonnes de déchets plastiques générés à l'échelle mondiale, seulement environ 10 % sont recyclés.

Automatiser l'identification et le tri des déchets plastiques réduit considérablement le temps nécessaire par rapport aux méthodes traditionnelles où les travailleurs trient les objets à la main. Les modèles de vision par ordinateur peuvent même segmenter les plastiques souples comme les films et les sacs, qui sont particulièrement difficiles car ils s'emmêlent souvent. Les modèles YOLO11 peuvent également être entraînés sur mesure pour segmenter différents types de plastiques. Nous en apprendrons davantage sur la façon dont tu peux entraîner sur mesure un modèle YOLO11 dans les sections suivantes.

Fig 4. Identification des déchets plastiques à l'aide d'Ultralytics YOLO11.

Link to this sectionSegmentation YOLO11 dans les véhicules autonomes#

Un autre cas d'utilisation intéressant de la segmentation d'instance concerne les voitures autonomes. YOLO11 permet aux voitures autonomes d'améliorer la sécurité des passagers et celle des autres usagers de la route en reconnaissant précisément les objets au niveau du pixel. Le système de caméra embarqué de la voiture peut capturer des images des environs et les analyser en utilisant YOLO11 et la segmentation d'instance. Chaque objet (piétons, feux de signalisation, autres véhicules, etc.) à l'intérieur de l'image est segmenté et se voit attribuer une étiquette. Un tel niveau de précision donne aux voitures autonomes la capacité d'identifier absolument chaque objet qui les entoure.

Fig 5. Utilisation de YOLO11 et de la segmentation d'instances pour identifier les véhicules et les piétons sur la route.

Link to this sectionEssayer la segmentation d'instances avec le modèle YOLO11#

Maintenant que nous avons exploré la segmentation d'instances et discuté de certaines de ses applications, voyons comment tu peux l'essayer en utilisant le modèle Ultralytics YOLO11.

Il y a deux façons de le faire : tu peux utiliser le package Python Ultralytics ou la plateforme Ultralytics HUB. Nous explorerons les deux, en commençant par le package Python.

Link to this sectionExécuter des inférences avec YOLO11#

L'exécution d'une inférence implique l'utilisation du modèle pour analyser de nouvelles données inédites. Pour lancer une inférence via le modèle de segmentation d'instances YOLO11 par le code, nous devons installer le package Python Ultralytics en utilisant pip, conda ou docker. En cas de problème lors de l'installation, tu peux consulter notre Guide des problèmes courants pour obtenir de l'aide. Une fois le package installé, tu peux exécuter le code ci-dessous pour charger le modèle de segmentation d'instances YOLO11 et lancer des prédictions sur une image.

Fig 6. Exécution d'une inférence sur une image avec YOLO11n-seg.

Link to this sectionEntraîner un modèle YOLO11 personnalisé#

Avec la même configuration de code, tu peux également entraîner un modèle YOLO11 personnalisé. En effectuant un fine-tuning d'un modèle YOLO11, tu peux créer une version sur mesure qui répond mieux aux exigences de ton projet spécifique. Par exemple, les détaillants peuvent utiliser un modèle personnalisé pour segmenter avec précision les caractéristiques physiques d'un client afin de recommander des vêtements bien ajustés. L'extrait de code ci-dessous montre comment charger et entraîner un modèle YOLO11 pour la segmentation d'instances. Tu peux partir d'une configuration YAML ou d'un modèle pré-entraîné, transférer les poids et entraîner sur un dataset comme COCO pour obtenir une segmentation efficace.

Une fois terminé, tu peux effectuer des inférences en utilisant le modèle personnalisé pour tes applications spécifiques. En utilisant l'option export, tu peux également exporter ton modèle personnalisé vers un format différent.

Link to this sectionSegmentation d'instances YOLO11 sur Ultralytics HUB#

Maintenant que nous avons exploré l'exécution d'inférences et l'entraînement personnalisé d'un modèle de segmentation d'instances YOLO11 par le code, examinons une alternative sans code : Ultralytics HUB. Ultralytics HUB est une plateforme d'IA visuelle intuitive qui simplifie le processus d'entraînement et de déploiement des modèles YOLO, y compris les modèles de segmentation d'instances YOLO11.

Pour exécuter une inférence sur des images, il te suffit de : créer un compte, accéder à la section « Modèles » et sélectionner la variante du modèle de segmentation d'instances YOLO11 de ton choix. Tu peux télécharger une image et voir les résultats de prédiction dans la section de prévisualisation, comme illustré ci-dessous.

Fig 7. Exécution d'inférences sur l'Ultralytics HUB.

Link to this sectionPoints clés#

YOLO11 offre des capacités de segmentation d'instances fiables qui ouvrent un monde de possibilités à travers divers secteurs. De l'amélioration de la sécurité dans les véhicules autonomes à la surveillance du torchage du gaz dans le secteur pétrolier et gazier, en passant par l'automatisation du tri des déchets dans les centres de recyclage, la précision au niveau du pixel de YOLO11 le rend idéal pour les tâches de segmentation complexes.

Avec des options d'entraînement personnalisé via le package Python Ultralytics et une configuration sans code via Ultralytics HUB, les utilisateurs peuvent intégrer YOLO11 en toute transparence dans leurs flux de travail. Que ce soit pour des applications industrielles, de santé, de vente au détail ou de surveillance environnementale, YOLO11 apporte flexibilité et précision pour répondre à divers besoins de segmentation.

Pour en savoir plus, visite notre dépôt GitHub et rejoins notre communauté. Explore les applications de l'IA dans les voitures autonomes et l'agriculture sur nos pages de solutions. 🚀