Segmentation d'image

La segmentation d'image est une tâche fondamentale de vision par ordinateur (CV) qui consiste à partitionner une image numérique en plusieurs régions ou segments distincts. L'objectif est d'attribuer une étiquette spécifique à chaque pixel d'une image, créant ainsi une carte au niveau du pixel des objets et de l'arrière-plan. Contrairement à d'autres tâches de CV qui peuvent identifier l'emplacement d'un objet avec une simple boîte, la segmentation d'image fournit une compréhension beaucoup plus détaillée en délimitant la forme précise de chaque objet. Ce niveau de détail granulaire est crucial pour les applications qui nécessitent une compréhension approfondie de la géométrie et de la composition de la scène. Ce processus est fondamental pour de nombreuses applications d'IA avancées.

Types de segmentation d'image

La segmentation d'image peut être classée en trois principaux types, chacun offrant un niveau de détail différent et servant des objectifs distincts :

• Segmentation sémantique: Cette technique classe chaque pixel d'une image dans une catégorie prédéfinie, telle que « voiture », « route » ou « ciel ». Toutes les instances de la même classe d'objet sont regroupées sous une seule étiquette. Par exemple, dans une image avec plusieurs voitures, la segmentation sémantique étiqueterait tous les pixels appartenant à une voiture comme étant simplement « voiture », sans distinguer une voiture d'une autre.
• Segmentation d'instance: Cette méthode pousse la segmentation un peu plus loin en classant non seulement chaque pixel, mais aussi en différenciant les instances individuelles de la même classe. Dans la même scène de rue, la segmentation d'instance identifierait chaque voiture comme un objet unique, en attribuant un masque distinct à "voiture 1", "voiture 2", et ainsi de suite. Ceci est particulièrement utile lorsque le comptage ou le suivi d'objets individuels est nécessaire.
• Segmentation panoptique : En tant qu'approche hybride, la segmentation panoptique combine les forces de la segmentation sémantique et de la segmentation d'instance. Elle vise à créer une compréhension complète et unifiée d'une scène en attribuant une étiquette de classe à chaque pixel (comme la segmentation sémantique) tout en identifiant de manière unique chaque instance d'objet (comme la segmentation d'instance). Cela fournit l'analyse de scène la plus complète disponible.

En quoi la segmentation d'images diffère-t-elle des autres tâches de CV ?

Il est important de distinguer la segmentation d'image des autres tâches courantes de vision par ordinateur :

• Classification d'images: Se concentre sur l'attribution d'une seule étiquette à une image entière (par exemple, "c'est une photo d'une plage"). Elle comprend ce qui se trouve dans l'image, mais pas où.
• Détection d'objets: Identifie et localise les objets dans une image, généralement en dessinant une boîte englobante autour d'eux. Elle vous indique quels objets sont présents et leur emplacement approximatif, mais pas leur forme exacte.
• Segmentation d'image : Fournit le plus de détails en délimitant la frontière exacte de chaque objet au niveau du pixel, offrant une compréhension précise de la forme et de l'emplacement de l'objet.

Applications et cas d'utilisation

La sortie détaillée de la segmentation d'image la rend inestimable dans de nombreux domaines.

• Véhicules autonomes: Pour que les voitures autonomes se déplacent en toute sécurité, elles doivent avoir une compréhension précise de leur environnement. Les modèles de segmentation identifient les limites exactes de la route, des voies, des piétons, des autres véhicules et des obstacles, ce qui permet une meilleure planification des itinéraires et une meilleure prise de décision. Pour en savoir plus, consultez notre article sur le rôle de l'IA dans l'industrie automobile.
• Analyse d'images médicales: Dans le domaine de la santé, la segmentation est utilisée pour analyser les scans médicaux tels que les IRM ou les scanners. Elle peut délimiter précisément les tumeurs, les organes ou les anomalies, aidant ainsi les médecins à établir un diagnostic précis, à planifier une intervention chirurgicale et à surveiller la progression de la maladie. Cela a été une application clé pour des architectures comme U-Net, qui excelle dans les contextes biomédicaux.
• Analyse d'images satellite: Les modèles de segmentation traitent l'imagerie satellite pour surveiller les changements environnementaux, tels que la déforestation ou l'urbanisation. Ils peuvent classer la couverture terrestre (par exemple, forêt, eau, zones urbaines) et détecter des objets individuels tels que des bâtiments ou des navires à des fins de cartographie et de collecte de renseignements.
• Fabrication et robotique: Dans les usines automatisées, la segmentation aide les robots à identifier des pièces spécifiques sur une chaîne de montage pour l'assemblage ou à effectuer un contrôle de qualité en détectant les défauts avec une grande précision. Vous pouvez en apprendre davantage sur son utilisation dans la segmentation des fissures.

Segmentation d'image et Ultralytics YOLO

Les modèles d'apprentissage profond modernes, en particulier ceux basés sur les réseaux neuronaux convolutifs (CNN), sont la norme pour la segmentation d'images. Les modèles Ultralytics YOLO, y compris YOLOv8 et le dernier YOLO11, offrent des capacités de segmentation en temps réel et de haute performance. Ces modèles peuvent être facilement entraînés sur des ensembles de données standard comme COCO ou sur des ensembles de données personnalisés pour des tâches spécialisées.

Le framework Ultralytics simplifie l'ensemble du flux de travail, de l'entraînement d'un modèle à la validation de ses performances et à son déploiement pour l'inférence. Pour un guide pratique, vous pouvez suivre des tutoriels sur la segmentation d'images avec YOLO11 sur Google Colab ou apprendre à isoler des objets segmentés. Des outils comme Ultralytics HUB offrent une solution sans code pour la gestion des ensembles de données, l'entraînement des modèles avec des ressources cloud et leur déploiement dans des applications réelles.