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 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 possède un large éventail d'applications, allant de l'aide aux voitures autonomes pour détecter des obstacles sur la route à l'identification de tumeurs dans les examens médicaux.

Au fil des ans, la segmentation d'instances a considérablement évolué. Un développement récent a été présenté lors de l'événement hybride annuel d'Ultralytics, YOLO Vision 2024 (YV24), sous la forme du modèle Ultralytics YOLO11. Le nouveau modèle prend en charge les mêmes tâches de vision par ordinateur (y compris la segmentation d'instances) que le modèle Ultralytics YOLOv8, de sorte que les utilisateurs familiers avec les versions précédentes peuvent adopter le nouveau modèle en toute transparence.

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

Dans cet article, nous allons explorer la segmentation d'instances et voir en quoi elle diffère d'autres tâches de vision par ordinateur telles que la segmentation sémantique, tout en abordant certaines de ses applications. Nous verrons également comment utiliser le modèle de segmentation d'instances YOLO11 à l'aide du paquet Python Ultralytics et de la plateforme Ultralytics HUB. C'est parti !

Qu'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 de détecter des objets et de tracer des boîtes englobantes autour d'eux. 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'instances se distingue 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, en revanche, combine la segmentation d'instances et la segmentation sémantique en étiquetant chaque pixel avec à la fois une classe et un identifiant 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 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 peut être utilisé pour des tâches de haute précision telles que le contrôle qualité dans la fabrication.

À l'instar des modèles précédents, le modèle de segmentation d'instances YOLO11 est également proposé 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 quantité de puissance de calcul requise. En fonction de tes exigences spécifiques, tu peux choisir le modèle qui s'adapte le mieux à ton application.

Applications 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.

Utilisation de la segmentation YOLO11 dans l'industrie pétrolière et gazière#

L'extraction de pétrole et de gaz implique la gestion de fluctuations de pression extrêmement élevées. Des techniques telles que le torchage du gaz aident à brûler le gaz naturel produit lors de l'extraction du pétrole. C'est nécessaire pour des raisons de sécurité. Par exemple, lors de 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 pétrolière et gazière peuvent provoquer des incendies intenses difficiles à contenir et à maîtriser. Le torchage du gaz aide les opérateurs à dépressuriser les équipements en toute sécurité et à 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 Ultralytics YOLO11 peuvent être utilisés pour surveiller la quantité de feu et de fumée causée par le torchage. La zone en pixels de la torche et de la fumée détectées et segmentées peut être calculée. Grâce à ces informations, les opérateurs obtiennent des données en temps réel sur la torche et la fumée générées par le torchage, ce qui les aide 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.

Segmentation d'instances avec YOLO11 pour la gestion des déchets plastiques#

Les travailleurs 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 (pour être traités séparément). C'est particulièrement important si l'on considère que sur les 7 milliards de tonnes de déchets plastiques générés dans le monde, seulement 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 segmenter les plastiques souples tels que 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 d'entraîner sur mesure un modèle YOLO11 dans les sections suivantes.

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

Segmentation YOLO11 dans les véhicules autonomes#

Un autre cas d'utilisation intéressant de la segmentation d'instances se trouve dans les voitures autonomes. YOLO11 permet aux voitures autonomes d'améliorer la sécurité des passagers et celle des autres usagers de la route en reconnaissant avec précision les objets au niveau du pixel. Le système de caméras embarqué de la voiture peut capturer des images des environs et les analyser à l'aide de YOLO11 et de la segmentation d'instances. Chaque objet (piétons, feux de circulation, autres véhicules, etc.) dans l'image est segmenté et se voit attribuer une étiquette. Un tel niveau de précision donne aux voitures autonomes la capacité d'identifier chaque objet autour d'elles.

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

Essayer 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.

Exécuter des inférences avec YOLO11#

L'exécution d'une inférence consiste à utiliser le modèle pour analyser de nouvelles données inédites. Pour exécuter une inférence à l'aide du modèle de segmentation d'instances YOLO11 par le biais du code, nous devons installer le paquet Python Ultralytics en utilisant pip, conda ou docker. Si tu rencontres des problèmes lors de l'installation, tu peux consulter notre Guide des problèmes courants pour obtenir de l'aide en matière de dépannage. Une fois le paquet 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.

Entraîner un modèle YOLO11 personnalisé#

Avec la même configuration de code, tu peux également entraîner un modèle YOLO11 personnalisé. En affinant un modèle YOLO11, tu peux créer une version personnalisée du modèle 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 qui taillent correctement. 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 t'entraîner sur un jeu de données tel que COCO pour obtenir une segmentation efficace.

Une fois l'opération terminée, tu peux effectuer des inférences à l'aide du modèle personnalisé pour tes applications spécifiques. À l'aide de l'option d'exportation, tu peux également exporter ton modèle personnalisé vers un format différent.

Segmentation 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 biais du 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.

Points 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 répertoire GitHub et échange avec notre communauté. Explore les applications de l'IA dans les voitures autonomes et l'agriculture sur nos pages de solutions. 🚀