Guida all'annotazione con poligoni con Ultralytics Platform

Le tecnologie di IA all’avanguardia si stanno diffondendo in molti settori, dalla guida autonoma all’agricoltura di precisione. Ad esempio, gli allevatori di bovini da latte usano l’IA e l’analisi delle immagini per rilevare le malattie nei bovini. Problemi di salute come la zoppia possono essere monitorati osservando i cambiamenti nell’andatura e nella postura dell’animale, per esempio la schiena inarcata e i movimenti asimmetrici.

Fig. 1. Esempio di monitoraggio delle mucche con l’IA e l’analisi delle immagini.

La visione artificiale, una branca dell’intelligenza artificiale, consente applicazioni di questo tipo permettendo alle macchine di interpretare e analizzare i dati visivi. In particolare, la segmentazione delle istanze è un’attività di visione artificiale che identifica e segmenta ogni oggetto in un’immagine a livello di pixel, consentendo di rilevare e analizzare con precisione i singoli animali.

L’annotazione poligonale svolge un ruolo fondamentale in questo processo. È un metodo di annotazione dei dati che consiste nel tracciare con attenzione la forma esatta di un oggetto in un’immagine, posizionando punti lungo i suoi bordi. A differenza delle semplici annotazioni con riquadri delimitatori, questo approccio segue il contorno effettivo dell’oggetto, contribuendo a creare dati di addestramento più precisi e permettendo ai modelli di IA visiva di comprendere meglio i confini degli oggetti.

Oggi sono disponibili molti strumenti per creare annotazioni poligonali. Tuttavia, spesso risultano frammentati, soprattutto quando offrono un supporto limitato o incoerente per diversi tipi di annotazione, rendendo più difficile gestire esigenze di etichettatura diversificate in un unico flusso di lavoro.

Ultralytics Platform, il nostro nuovo ambiente di lavoro di IA visiva end-to-end che colma il divario tra gestione dei set di dati, annotazione, addestramento, distribuzione e monitoraggio, risolve questo problema supportando diversi tipi di annotazione e flussi di lavoro assistiti dall’IA in un unico ambiente integrato e semplificando l’intero processo di annotazione.

In questo articolo vedremo che cosa sono le annotazioni poligonali e come crearle usando Ultralytics Platform. Iniziamo!

Uno sguardo più da vicino all’annotazione poligonale#

Prima di approfondire Ultralytics Platform e le sue funzionalità di annotazione poligonale, facciamo un passo indietro e vediamo che cos’è l’annotazione poligonale.

L’annotazione delle immagini consiste nell’aggiungere etichette ai dati visivi, affinché i modelli di IA possano comprendere ciò che vedono. In genere, comporta l’identificazione degli oggetti in un’immagine e la loro marcatura in modo che il modello possa apprendere da essi.

Uno dei metodi più comuni consiste nel disegnare riquadri rettangolari intorno agli oggetti, detti riquadri delimitatori. Tuttavia, questi forniscono soltanto una sagoma approssimativa dell’oggetto. L’annotazione poligonale è un approccio più preciso.

Consiste nel delineare un oggetto (i suoi bordi) punto per punto, invece di racchiuderlo in un riquadro. A questo scopo, gli annotatori posizionano più vertici (punti) lungo i bordi dell’oggetto, tracciandone il contorno fino a coprirne l’intera forma.

Questi punti collegati formano un poligono che riproduce il contorno naturale dell’oggetto. Poiché la forma segue da vicino i confini dell’oggetto, l’annotazione rileva dettagli che i metodi di etichettatura tradizionali spesso non colgono. È particolarmente utile quando gli oggetti hanno forme irregolari o bordi complessi, come foglie, sagome umane e oggetti sovrapposti.

Questa precisione nei dati aiuta i modelli di machine learning ad apprendere in modo più efficace durante l’addestramento. Quando le annotazioni riproducono accuratamente i confini reali di un oggetto, i modelli possono comprenderne meglio i tratti a livello di pixel. Ciò migliora le prestazioni del modello, soprattutto nelle attività di segmentazione che richiedono un’elevata accuratezza.

Il ruolo delle annotazioni poligonali nei flussi di lavoro di visione artificiale#

Come vengono effettivamente usate le annotazioni poligonali? Sono strettamente legate ai modelli di IA visiva che supportano attività di segmentazione delle immagini, come la segmentazione delle istanze.

In molte applicazioni di visione artificiale, è fondamentale conoscere l’area esatta occupata da ciascun oggetto in un’immagine o in un fotogramma video. Un buon esempio è il rilevamento dei componenti delle auto nella produzione industriale. In questo caso, i modelli devono identificare e delineare con precisione componenti come portiere, finestrini e fari, anche quando si sovrappongono o hanno forme complesse.

È qui che entra in gioco la segmentazione delle istanze. Permette ai modelli di rilevare ogni oggetto e di individuarne i confini esatti a livello di pixel. Si differenzia dal semplice rilevamento degli oggetti, che usa riquadri delimitatori.

Fig. 2. La segmentazione delle istanze può anche aiutare a distinguere i componenti danneggiati di un’auto. (Fonte)

I riquadri delimitatori forniscono soltanto aree rettangolari approssimative intorno agli oggetti e spesso includono parti dello sfondo, rendendo più difficile rappresentare forme irregolari o separare elementi sovrapposti.

L’annotazione poligonale è fondamentale per raggiungere questo livello di precisione. Tracciare la forma esatta di ogni oggetto nelle immagini del set di dati consente di creare dati di addestramento di alta qualità che riproducono i confini reali degli oggetti. Queste annotazioni dettagliate aiutano i modelli, come Ultralytics YOLO26, a comprendere meglio la struttura di ogni componente e a ottenere risultati di segmentazione più accurati.

I limiti degli strumenti tradizionali di annotazione delle immagini#

Vediamo ora i limiti degli strumenti di annotazione tradizionali, per capire perché servono soluzioni più efficienti e scalabili come Ultralytics Platform.

Ecco alcune difficoltà comuni che gli annotatori incontrano quando usano strumenti tradizionali per l’annotazione poligonale:

• Supporto limitato per i tipi di annotazione: alcuni strumenti si concentrano su una sola tecnica di annotazione, rendendo difficile lavorare in un unico posto con diversi tipi di annotazione, come poligoni, riquadri delimitatori e punti chiave.
• Gestione inefficiente delle annotazioni complesse: alcuni strumenti potrebbero non disporre delle funzionalità necessarie per annotare con precisione oggetti complessi e ricchi di dettagli.
• Assenza di funzionalità assistite dall’IA: molti strumenti si basano interamente sul lavoro manuale, senza supporto integrato dell’IA per velocizzare l’annotazione.
• Gestione frammentata dei set di dati: gestire set di dati, versioni e annotazioni può essere difficile, soprattutto quando gli strumenti non offrono un ambiente di lavoro centralizzato.

Ultralytics Platform affronta queste problematiche con funzionalità di annotazione assistita dall’IA basate sia sui Modelli Segment Anything (SAM) sia sui modelli YOLO. SAM consente agli utenti di generare maschere di segmentazione di alta qualità a partire da input semplici, come i clic, e di perfezionarle in annotazioni poligonali precise.

Allo stesso modo, l’annotazione intelligente basata su YOLO usa modelli YOLO preaddestrati o addestrati su dati personalizzati per eseguire l’inferenza su un’immagine e aggiungere previsioni come annotazioni, ad esempio riquadri delimitatori, maschere di segmentazione o riquadri delimitatori orientati; le annotazioni possono poi essere esaminate e modificate secondo necessità. Nel complesso, queste funzionalità rendono il processo di annotazione più rapido, uniforme e facile da scalare.

I diversi tipi di annotazione supportati da Ultralytics Platform#

Ultralytics Platform include un editor di annotazione integrato che permette agli utenti di annotare le immagini direttamente nell’ambiente di lavoro. In questo modo è più facile creare e gestire set di dati senza affidarsi a strumenti separati per l’etichettatura dei dati, spesso dispendiosi in termini di tempo.

Oltre alle annotazioni poligonali, Ultralytics Platform supporta diversi altri tipi di annotazione. Ecco una breve panoramica:

• Riquadri di delimitazione: gli annotatori possono disegnare semplici riquadri rettangolari attorno agli oggetti, per etichettarli e rilevarli facilmente in un’immagine.
• Punti chiave: questo metodo viene usato per contrassegnare punti specifici, come le articolazioni del corpo o i punti di riferimento, per attività come la stima della posa.
• Riquadri di delimitazione orientati (OBBs): consentono agli utenti di acquisire oggetti ruotati o inclinati con maggiore precisione rispetto ai riquadri di delimitazione standard.
• Etichette di classificazione: per le attività più semplici, gli utenti possono assegnare etichette a intere immagini invece di contrassegnare singoli oggetti.

Annotare gli oggetti con poligoni su Ultralytics Platform#

Ora vediamo come creare annotazioni poligonali su Ultralytics Platform, manualmente o con strumenti assistiti dall’AI.

Creare manualmente annotazioni poligonali su Ultralytics Platform#

Ecco una breve guida passo passo per creare manualmente annotazioni poligonali:

• Passaggio 1 - Vai al tuo dataset: apri il dataset che contiene le immagini che vuoi annotare. Qui vengono archiviate e gestite le immagini e le annotazioni.
• Passaggio 2 - Apri un’immagine: fai clic su un’immagine per aprirla nell’interfaccia di annotazione. Il flusso di lavoro di annotazione dipende dall’attività del dataset. Per esempio, in un dataset di segmentazione delle istanze, le annotazioni vengono create usando maschere poligonali.
• Passaggio 3 – Inizia a creare una maschera: fai clic sull’immagine per iniziare ad annotarla. Ogni clic aggiunge un vertice lungo il contorno dell’oggetto.
• Passaggio 4 – Traccia il contorno dell’oggetto: continua a fare clic lungo i bordi dell’oggetto per definirne la forma.
• Passaggio 5 – Completa il poligono: puoi premere “Enter” oppure fare clic sul primo punto per completare il poligono e assegnare un’etichetta di classe.
• Passaggio 6 – Aggiungi altre annotazioni: ripeti la procedura per creare altri poligoni per gli altri oggetti nell’immagine.
• Passaggio 7 – Salva le annotazioni: le annotazioni vengono salvate automaticamente man mano che le crei.

Fig. 3. Uno sguardo alla creazione manuale di annotazioni poligonali con Ultralytics Platform (Fonte)

Annotazione poligonale intelligente su Ultralytics Platform#

Vediamo ora le funzionalità di etichettatura assistita dall’AI offerte da Ultralytics Platform, che velocizzano il processo di annotazione.

La piattaforma offre due approcci per l’annotazione intelligente: uno basato su Segment Anything Models, per generare annotazioni interattive con clic, e un altro basato su modelli YOLO, per aggiungere direttamente come annotazioni le previsioni dei modelli. Entrambi gli approcci possono essere usati per l’annotazione poligonale intelligente.

Annotazione intelligente con SAM su Ultralytics Platform#

L’annotazione assistita da SAM su Ultralytics Platform semplifica l’etichettatura manuale usando il Modello Segment Anything (SAM) per generare maschere di segmentazione con un input minimo. Invece di tracciare gli oggetti punto per punto, gli utenti possono interagire con l’immagine usando semplici indicazioni, come i clic, per specificare cosa includere o escludere.

La piattaforma supporta diversi modelli SAM, tra cui SAM 2.1 e SAM 3, consentendo agli utenti di scegliere tra prestazioni più rapide e maggiore precisione in base alle proprie esigenze. In base all’input dell’utente, SAM genera maschere a livello di pixel in tempo reale. Queste maschere possono poi essere perfezionate e usate come annotazioni poligonali, rendendo il processo più rapido, coerente e facile da scalare.

Ecco i passaggi per usare SAM per l’annotazione poligonale su Ultralytics Platform:

• Passaggio 1 – Apri un’immagine: vai al tuo dataset e fai clic su un’immagine per aprirla nel visualizzatore a schermo intero.
• Passaggio 2 – Accedi alla modalità di annotazione: fai clic su “Edit”, poi passa alla modalità Smart (oppure premi S) per attivare SAM.
• Passaggio 3 – Seleziona un modello SAM: scegli un modello SAM dalla barra degli strumenti in base alle tue esigenze di velocità e precisione.
• Passaggio 4 – Fornisci indicazioni: fai clic con il tasto sinistro per aggiungere punti positivi (aree da includere) e con il tasto destro per aggiungere punti negativi (aree da escludere).
• Passaggio 5 – Genera e applica la maschera: SAM prevede una maschera di segmentazione in tempo reale. Premi “Enter” (oppure usa l’applicazione automatica) per applicare l’annotazione.
• Passaggio 6 – Perfeziona l’annotazione: se necessario, aggiungi altri punti o modifica il risultato per migliorarne la precisione prima di salvare.

Fig. 4. Annotazione poligonale assistita da SAM su Ultralytics Platform (Fonte)

Annotazione intelligente con YOLO su Ultralytics Platform#

L’annotazione intelligente basata su YOLO su Ultralytics Platform velocizza l’etichettatura usando modelli Ultralytics YOLO preaddestrati o perfezionati per generare previsioni su un’immagine e aggiungerle come annotazioni. A seconda dell’attività del dataset, queste previsioni possono includere riquadri di delimitazione, maschere di segmentazione o riquadri di delimitazione orientati.

Gli utenti possono quindi esaminare e perfezionare queste annotazioni secondo necessità. Ecco una panoramica dei passaggi per usare l’annotazione intelligente basata su YOLO su Ultralytics Platform:

• Passaggio 1 – Apri un’immagine: vai al tuo dataset e seleziona un’immagine per aprirla nel visualizzatore a schermo intero.
• Passaggio 2 – Accedi alla modalità di annotazione: fai clic su “Edit”, poi passa alla modalità Smart (oppure premi S).
• Passaggio 3 – Seleziona un modello YOLO: scegli un modello YOLO dal selettore di modelli nella barra degli strumenti.
• Passaggio 4 – Esegui la previsione: fai clic su “Predict” per consentire al modello di generare automaticamente le annotazioni.
• Passaggio 5 – Esamina le annotazioni: controlla i riquadri di delimitazione, le maschere di segmentazione o gli OBB previsti e aggiunti all’immagine.
• Passaggio 6 – Perfeziona e salva: modifica, regola o rimuovi le annotazioni errate secondo necessità, poi salva le etichette finali.

Fig. 5. Uno sguardo all’uso dell’annotazione intelligente YOLO (Fonte)

Applicazioni reali dell’annotazione poligonale#

L’annotazione poligonale sta avendo un impatto concreto in diversi settori, dal controllo qualità nella produzione all’agricoltura e alla sanità. Esploriamo alcune delle principali applicazioni nel mondo reale.

Rilevamento dei parassiti con la visione artificiale#

In agricoltura, monitorare la salute delle colture è fondamentale per migliorare la resa e ridurre le perdite. Rilevare le aree delle foglie infestate da parassiti può essere difficile, poiché spesso hanno forme irregolari e contorni poco definiti.

Questo tipo di problema può essere affrontato con tecniche di segmentazione delle immagini, come la segmentazione semantica, che etichetta tutti i pixel appartenenti a una classe (per esempio, le aree infette), o la segmentazione delle istanze, che separa i contorni degli oggetti con maggiore precisione.

Con Ultralytics Platform, gli utenti possono usare l’annotazione poligonale per tracciare la forma esatta di queste aree infette. Ciò consente di creare dataset più accurati e facilita il rilevamento di schemi sottili negli ambienti agricoli da parte degli algoritmi di IA per la visione.

Di conseguenza, i team possono creare dati di addestramento migliori, che aiutano i modelli a identificare con precisione la posizione delle infestazioni. Questo metodo è più efficace dell’uso dei riquadri di delimitazione, che possono includere parti non colpite della foglia.

Analisi di immagini mediche basata sulla segmentazione delle istanze#

Come nel rilevamento dei parassiti in agricoltura, anche piccole differenze nei contorni possono influire sull’analisi di malattie come il cancro nell’imaging medico. Questo è particolarmente importante per identificare anomalie sanitarie come i tumori nelle scansioni TC.

I metodi di annotazione tradizionali possono non rilevare i bordi più sottili o includere il tessuto circostante, riducendo la precisione. Con Ultralytics Platform, i team possono usare l’annotazione poligonale per tracciare con precisione queste regioni nei dati di addestramento, aiutando i modelli a segmentare i tumori in modo più preciso e affidabile.

Punti chiave#

L’annotazione poligonale è fondamentale quando i modelli devono comprendere con grande precisione le forme degli oggetti nelle immagini. Aiuta a rappresentare le forme complesse in modo più accurato, soprattutto con Ultralytics Platform. Combinando precisione e strumenti potenti, i team possono creare modelli di IA più affidabili e performanti.

Vuoi portare l’IA per la visione nei tuoi progetti? Unisciti alla nostra community e scopri l’IA nel settore automobilistico e l’IA per la visione nella robotica. Esplora il nostro repository GitHub per saperne di più. Scopri le nostre opzioni di licenza per iniziare oggi stesso!