Qu’est-ce que la segmentation d’instances ? Guide rapide

Les applications de vision par ordinateur sont de plus en plus présentes dans notre quotidien, des caméras de circulation qui surveillent l’état des routes aux caisses en libre-service dans les magasins. En permettant aux machines de comprendre les données visuelles d’une manière similaire aux humains, l’IA visuelle a un impact dans de nombreux secteurs.

Bon nombre de ces applications reposent sur la détection d’objets, une tâche de vision par ordinateur qui consiste à placer des cadres de délimitation autour des objets importants dans les images. Cette approche donne souvent de bons résultats, mais certaines solutions d’analyse d’images nécessitent une précision encore plus grande.

Par exemple, l’imagerie médicale ne se contente pas de détecter une tumeur : il est crucial d’en délimiter précisément la forme. De même, en robotique, les machines doivent reconnaître les contours exacts d’un objet pour le saisir correctement. La segmentation d’instance offre une solution plus précise à ces défis.

La segmentation d’instance est une tâche de vision par ordinateur conçue pour les cas d’usage où la détection d’objets ne suffit pas : elle offre une précision au niveau du pixel. Tu peux facilement utiliser des modèles de vision par ordinateur comme Ultralytics YOLO11 pour appliquer la segmentation d’instance à des images et des vidéos.

Fig. 1. Exemple d’utilisation de YOLO11 pour la segmentation d’instance.

Dans ce guide, nous allons expliquer le fonctionnement de la segmentation d’instance, présenter ses applications et montrer comment entraîner Ultralytics YOLO11 sur mesure pour des tâches de segmentation spécifiques.

Qu’est-ce que la segmentation d’instance ?#

Imaginons une photo de groupe où plusieurs personnes se tiennent proches les unes des autres. La détection d’objets peut aider à tracer un cadre autour de chaque personne, mais elle ne révèle pas leur forme exacte.

La segmentation d’instance, en revanche, revient à tracer soigneusement le contour de chaque personne afin d’en voir la silhouette complète, même si les personnes se chevauchent. Au lieu de simplement indiquer la position d’un objet avec un cadre, elle identifie sa forme exacte au niveau du pixel, ce qui facilite l’interprétation des images complexes.

Le résultat est un masque détaillé qui remplit la forme d’un objet et indique précisément les pixels qui lui appartiennent. Ce niveau de précision est utile dans de nombreuses applications concrètes où il est important de comprendre la forme exacte et les limites des objets.

Fig. 2. Présentation de la prise en charge de la segmentation d’instance par Ultralytics YOLO11.

Segmentation d’instance et segmentation sémantique#

En explorant la segmentation d’instance, tu rencontreras peut-être le concept de segmentation sémantique.

Les deux techniques aident les ordinateurs à interpréter les images au niveau du pixel, mais elles répondent à des objectifs différents. La segmentation sémantique attribue une catégorie à chaque pixel et regroupe tous les objets du même type. Par exemple, dans une image contenant plusieurs voitures, la segmentation sémantique les étiquetterait toutes comme « voiture », sans distinguer les véhicules individuellement.

La segmentation d’instance va plus loin en identifiant chaque objet séparément. Elle attribue une étiquette unique à chaque instance et crée des masques précis autour de leurs formes. Ainsi, dans la même image, elle ne se contenterait pas d’étiqueter tous les objets comme « voiture » : elle reconnaîtrait et délimiterait chaque voiture individuellement.

La principale différence entre les deux techniques tient au fait que la segmentation sémantique regroupe les objets par catégorie, tandis que la segmentation d’instance distingue chaque objet comme une entité unique aux contours bien définis. Le choix de la tâche dépend de l’application : suffit-il de savoir ce que contient une image, ou faut-il distinguer les objets individuellement ?

Pour savoir quelle tâche convient à ton projet, consulte segmentation sémantique ou segmentation d’instances : comment choisir.

Fig. 3. Segmentation d’instance et segmentation sémantique (à droite et à gauche, respectivement).

Modèles populaires de segmentation d’instance#

La communauté de l’IA visuelle dispose aujourd’hui de divers modèles de segmentation d’instance. Certains sont plus rapides, d’autres plus précis, et d’autres encore plus faciles à utiliser.

Bien que ces options soient utiles, il reste à déterminer laquelle convient à une tâche donnée. Parmi elles, les modèles Ultralytics YOLO sont très populaires, car ils privilégient la rapidité et la précision.

De plus, ces modèles ont considérablement évolué au fil des ans. Par exemple, Ultralytics YOLOv5 a simplifié le déploiement à l’aide de frameworks comme PyTorch, rendant l’IA visuelle avancée accessible à un public plus large, sans nécessiter une expertise technique approfondie.

Dans la continuité de cette réussite, Ultralytics YOLOv8 a amélioré la prise en charge de tâches de vision par ordinateur comme la segmentation d’instance, l’estimation de pose et la classification d’images.

Ultralytics YOLO11 (auquel a succédé Ultralytics YOLO26) a encore amélioré les performances. Il obtient une meilleure précision moyenne (mAP) sur le jeu de données COCO avec 22 % de paramètres en moins que YOLOv8m, ce qui signifie qu’il peut reconnaître les objets avec plus de précision tout en utilisant moins de ressources.

Fig. 4. Évaluation de YOLO11.

En bref, Ultralytics YOLO11 offre une précision de pointe sans compromettre l’efficacité.

Comprendre le fonctionnement de la segmentation d’instance#

Voyons maintenant comment fonctionne généralement la segmentation d’instances. Les anciens modèles de vision par ordinateur utilisent une approche en deux étapes.

D’abord, ils détectent les objets en traçant des boîtes englobantes autour d’eux. Ensuite, ils génèrent un masque au niveau du pixel pour délimiter la forme exacte de chaque objet. Mask R-CNN en est un exemple bien connu : ce modèle complète les modèles de détection d’objets en ajoutant une étape de prédiction des masques. Bien qu’efficace, cette méthode peut être lente, car elle traite l’image en plusieurs étapes, ce qui complique les applications en temps réel.

De leur côté, les modèles comme Ultralytics YOLO11 traitent les images en une seule fois et prédisent simultanément les cadres de délimitation des objets et les masques de segmentation d’instance. Cette approche rationalisée est beaucoup plus rapide tout en conservant une grande précision. Elle est donc particulièrement utile pour les applications en temps réel comme la conduite autonome, l’analyse vidéo et la robotique, où la vitesse et la précision sont essentielles.

Entraîner Ultralytics YOLO11 sur mesure pour la segmentation d’instance#

Dès son installation, YOLO11 est fourni sous forme de modèle préentraîné. Il a été entraîné sur le jeu de données COCO-Seg, qui contient des objets du quotidien pour la segmentation d’instances. Toutefois, le package Python Ultralytics prend en charge l’entraînement personnalisé, essentiel pour les applications spécialisées où il faut segmenter des objets spécifiques.

Pourquoi est-il important d’entraîner un modèle sur mesure ou de l’affiner ? L’entraînement personnalisé exploite l’apprentissage par transfert en s’appuyant sur les connaissances déjà intégrées aux modèles préentraînés. Plutôt que de partir de zéro, cette approche adapte un modèle existant à de nouvelles tâches à l’aide de jeux de données plus petits et de moins de ressources informatiques, tout en maintenant une grande précision.

Comment entraîner Ultralytics YOLO11 sur mesure#

Voici un aperçu détaillé des étapes du réglage fin d’Ultralytics YOLO11 pour la segmentation d’instances :

• Préparation des données : collecte et annote des images en fonction de ton application. Ultralytics prend en charge plusieurs jeux de données d’images, mais tu peux aussi entraîner le modèle sur ton propre jeu de données en préparant les images et les annotations au format YOLO requis.
• Utilisation d’un modèle préentraîné : au lieu de partir de zéro, utilise un modèle Ultralytics YOLO11 préentraîné.
• Entraînement du modèle : ajuste les paramètres d’entraînement essentiels, comme la taille de lot (nombre d’images traitées par itération), la taille des images (résolution d’entrée cible) et le nombre d’époques (nombre total de cycles d’entraînement), puis entraîne le modèle.
• Évaluation des performances : une fois l’entraînement terminé, tu peux tester la précision du modèle à l’aide de métriques de performance comme mAP. Le package Python Ultralytics propose également des fonctions intégrées pour évaluer les modèles.

Applications de la segmentation d’instance rendues possibles par Ultralytics YOLO11#

La segmentation d’instance aide les machines à voir et à comprendre les objets plus précisément, ce qui permet de résoudre des problèmes concrets. De l’amélioration de l’automatisation à la protection de l’environnement, elle joue un rôle clé dans de nombreux domaines. Découvrons quelques exemples de ses applications.

Sécurité et surveillance des chantiers avec Ultralytics YOLO11#

La segmentation d’instance peut jouer un rôle essentiel pour assurer la sécurité et l’efficacité sur les chantiers. Elle peut, par exemple, servir à surveiller les engins lourds.

Tu peux affiner Ultralytics YOLO11 pour segmenter et identifier avec précision différents types d’équipements, comme les grues, les excavatrices et les bulldozers, et suivre leur position en temps réel. Les responsables de chantier peuvent ainsi s’assurer que les engins restent strictement dans les zones prévues et ne pénètrent pas dans les zones où se trouvent des travailleurs ou des dangers.

De plus, l’intégration de ces solutions à des systèmes d’alerte en temps réel permet de prendre rapidement des mesures correctives. Les informations recueillies peuvent aussi contribuer à optimiser l’agencement du chantier et les flux de travail, réduisant encore les risques et améliorant la productivité.

Fig. 5. Surveillance des engins lourds avec Ultralytics YOLO11.

Surveillance des animaux par segmentation avec Ultralytics YOLO11#

La surveillance du comportement animal aide les chercheurs, les agriculteurs et les défenseurs de l’environnement à mieux prendre soin des animaux dans différents milieux. La segmentation d’instance joue un rôle utile dans ces systèmes en identifiant et en segmentant les animaux individuellement dans les fermes, les zoos et les habitats naturels. Contrairement à la détection d’objets traditionnelle, qui utilise des cadres de délimitation, la segmentation d’instance délimite chaque animal au niveau du pixel, ce qui est particulièrement utile lorsque les animaux sont proches les uns des autres.

Une segmentation détaillée permet de suivre plus précisément les mouvements et les comportements. Les animaux qui se chevauchent ou qui sont regroupés de près peuvent être distingués, ce qui permet d’analyser plus précisément leurs interactions, leur état de santé et leurs habitudes d’activité. Dans l’ensemble, mieux comprendre le comportement des animaux améliore leur prise en charge et leur gestion.

Fig. 6. Surveillance des bovins par segmentation d’instance.

Ultralytics YOLO11 pour l’analyse sportive et le suivi des joueurs#

Le suivi précis des joueurs et des événements est essentiel à l’analyse sportive. Les méthodes de suivi traditionnelles reposent sur l’annotation manuelle, qui ne permet pas toujours de saisir les interactions en détail. La vision par ordinateur peut segmenter au niveau du pixel des éléments comme chaque joueur, le ballon et les événements clés afin d’obtenir des informations détaillées.

Par exemple, la segmentation d’instance peut aider à détecter des événements comme les fautes ou les incidents sans ballon en séparant clairement chaque joueur et chaque objet. La surveillance détaillée permise par des modèles comme Ultralytics YOLO11 donne aux analystes des informations plus claires pour étudier avec précision les schémas de déplacement, le positionnement spatial et les interactions. Ces informations aident notamment les équipes à affiner leurs stratégies et à améliorer leurs performances globales.

Avantages et inconvénients de la segmentation d’instance#

Voici quelques-uns des principaux avantages que la segmentation d’instance peut apporter à différents secteurs :

• Automatisation améliorée : en automatisant des tâches comme le contrôle qualité et la surveillance de la sécurité, la segmentation d’instance réduit le besoin d’intervention manuelle et limite les erreurs humaines.
• Meilleure compréhension de la scène : en délimitant précisément chaque objet, la segmentation d’instance permet de mieux comprendre les scènes complexes et favorise une prise de décision plus éclairée.
• Post-traitement efficace : les résultats au niveau du pixel simplifient des tâches comme la suppression de l’arrière-plan, le comptage des objets et l’analyse spatiale, réduisant le besoin d’étapes de traitement supplémentaires.

Bien que ces avantages illustrent l’impact de la segmentation d’instance dans divers cas d’usage, il est également essentiel de tenir compte des difficultés liées à sa mise en œuvre.

Voici quelques-unes des principales limites de la segmentation d’instance :

• Difficultés liées à la transparence : la segmentation d’objets transparents ou réfléchissants comme le verre et l’eau est difficile, ce qui entraîne des contours imprécis.
• Charge de maintenance : pour que les modèles restent précis et pertinents, il faut les mettre à jour et les affiner en continu, car les conditions environnementales et les jeux de données évoluent.
• Effort d’annotation important : l’entraînement de modèles de segmentation d’instance nécessite des annotations détaillées au niveau du pixel, ce qui augmente considérablement le temps et le coût de la préparation des données.

Points clés à retenir#

La segmentation d’instance permet de distinguer précisément les objets individuels, même lorsqu’ils se chevauchent. En capturant les contours des objets au niveau du pixel, elle offre une compréhension plus approfondie des données visuelles que les tâches de vision par ordinateur traditionnelles comme la détection d’objets.

Les avancées récentes en vision par ordinateur ont rendu la segmentation d’instance plus rapide et plus facile à utiliser. En particulier, des modèles de vision par ordinateur comme Ultralytics YOLO11 simplifient le processus et permettent d’effectuer une segmentation en temps réel avec une configuration minimale, la rendant ainsi plus accessible à divers secteurs et applications.

Tu t’intéresses à l’IA ? Consulte notre dépôt GitHub et rejoins notre communauté pour poursuivre tes découvertes. Découvre des innovations comme l’IA dans les voitures autonomes et l’IA visuelle dans l’agriculture sur nos pages de solutions. Consulte nos options de licence et lance-toi dans un projet de vision par ordinateur !