Segmentation avec des modèles Ultralytics YOLOv8 préentraînés en Python

Dans cet article, nous allons examiner la segmentation d’objets avec le modèle Ultralytics YOLOv8 et expliquer comment configurer et exécuter la segmentation en Python.

Préparer le terrain pour la segmentation#

Commençons avec Ultralytics YOLOv8. L’installation du package Ultralytics ne nécessite qu’une seule commande, après quoi tu peux utiliser ses capacités de segmentation.

La segmentation d’instances va plus loin que la détection d’objets : elle localise chaque objet individuellement dans une image et le sépare de l’arrière-plan.

La sortie comprend des masques ou des contours délimitant chaque objet, accompagnés d’étiquettes de classe et de scores de confiance. Cette technique est utile lorsque la forme précise des objets est essentielle : elle indique non seulement leur emplacement, mais fournit aussi des informations détaillées sur leur forme.

Avec quelques commandes simples, tu peux lancer des prédictions depuis la ligne de commande.

Segmentation en direct : donner vie aux images#

La segmentation ne se limite pas aux images statiques. Avec un court script Python, tu peux aussi l’exécuter en temps réel sur un flux vidéo en direct.

En utilisant la classe YOLO avec OpenCV, tu peux segmenter les images de ta webcam et afficher les résultats au fur et à mesure de leur traitement.

Dans la vidéo, le modèle segmente des objets du quotidien, des chaises aux plantes.

Fig. 1. Nicolai Nielsen présentant les modèles COCO préentraînés pour la segmentation.

Chez Ultralytics, nous proposons également des modèles préentraînés de segmentation sur COCO, qui constituent un bon point de départ pour de nombreux cas d’utilisation. Tu peux ensuite affiner ces modèles en fonction de tes besoins.

Nous prenons en charge différents jeux de données, comme ceux pour la segmentation d’instances de pièces automobiles, la segmentation de fissures et la segmentation de colis industriels. Grâce à une seule commande disponible dans notre documentation, l’entraînement de modèles de segmentation sur ces jeux de données est simple :

yolo segment train data=carparts-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Reste à l’écoute#

Dans les prochaines vidéos, nous approfondirons Ultralytics YOLOv8 et aborderons l’entraînement personnalisé ainsi que l’inférence sur tes propres jeux de données.

Nous nous engageons à simplifier l’utilisation de l’IA et de l’apprentissage automatique, un segment à la fois.

Regarde la vidéo complète sur YouTube.