Come utilizzare Ultralytics YOLO11 per la segmentazione di istanze

La computer vision, un campo dell'intelligenza artificiale (AI) che aiuta le macchine a interpretare e comprendere le informazioni visive, abilita attività come l'instance segmentation. L'instance segmentation può essere utilizzata per analizzare un'immagine o un fotogramma video per contrassegnare i confini esatti di ogni oggetto distinto nell'immagine, anche quando sono presenti più oggetti dello stesso tipo. Grazie al suo elevato livello di precisione, l'instance segmentation ha un'ampia gamma di applicazioni, dall'aiutare le auto a guida autonoma a rilevare ostacoli sulla strada all'identificazione di tumori in esami medici.

Nel corso degli anni, l'instance segmentation si è evoluta in modo significativo. Un recente sviluppo è stato introdotto durante l'evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24), sotto forma del modello Ultralytics YOLO11. Il nuovo modello supporta le stesse attività di computer vision (inclusa l'instance segmentation) del modello Ultralytics YOLOv8, quindi gli utenti che hanno familiarità con le versioni precedenti possono adottare il nuovo modello senza problemi.

Fig 1. Un esempio di utilizzo del modello Ultralytics YOLO11 per l'instance segmentation.

In questo articolo esploreremo l'instance segmentation e in che modo differisce da altre attività di computer vision come la semantic segmentation, oltre a discutere alcune delle sue applicazioni. Vedremo anche come puoi utilizzare il modello di instance segmentation YOLO11 tramite il pacchetto Python di Ultralytics e la piattaforma Ultralytics HUB. Iniziamo!

Link to this sectionCos'è l'instance segmentation?#

L'instance segmentation può essere utilizzata per identificare gli oggetti in un'immagine e delinearli a livello di pixel. Il processo in genere comporta innanzitutto il rilevamento degli oggetti e il disegno di bounding box attorno ad essi. Quindi, un algoritmo di segmentazione classifica ogni pixel all'interno della bounding box per creare una maschera precisa per ogni oggetto.

L'instance segmentation è anche diversa da attività come la semantic segmentation e la panoptic segmentation. La semantic segmentation etichetta ogni pixel in base alla categoria generale di un oggetto, senza distinguere le singole istanze. La panoptic segmentation, d'altro canto, combina sia l'instance che la semantic segmentation etichettando ogni pixel sia con una classe che con un ID istanza, identificando i singoli oggetti all'interno di ogni categoria.

Fig 2. Utilizzo di YOLO11 per rilevare e segmentare una persona e un cane.

Le funzionalità dell'instance segmentation possono essere applicate in vari scenari che potrebbero richiedere modelli diversi. Ad esempio, un modello leggero potrebbe essere ideale per l'elaborazione in tempo reale in applicazioni mobili, mentre un modello più complesso potrebbe essere utilizzato per attività ad alta precisione come il controllo qualità nella produzione.

Come i modelli precedenti, anche il modello di instance segmentation YOLO11 è disponibile in diverse varianti in base alle tue esigenze. Queste varianti includono YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) e YOLO11x-seg (Extra Large). Questi modelli variano in termini di dimensioni, velocità di elaborazione, precisione e quantità di potenza di calcolo necessaria. In base ai tuoi requisiti specifici, puoi scegliere il modello più adatto alla tua applicazione.

Link to this sectionApplicazioni dell'instance segmentation per YOLO11#

Le avanzate funzionalità di instance segmentation di YOLO11 aprono una serie di applicazioni in diversi settori. Diamo un'occhiata più da vicino ad alcune di queste applicazioni.

Link to this sectionUtilizzo della segmentazione YOLO11 nell'industria petrolifera e del gas#

L'estrazione di petrolio e gas comporta la gestione di fluttuazioni di pressione estremamente elevate. Tecniche come il gas flaring aiutano a bruciare il gas naturale prodotto durante l'estrazione del petrolio. È necessario per motivi di sicurezza. Ad esempio, nell'estrazione del petrolio greggio, un picco di pressione improvviso o significativo potrebbe portare a un'esplosione. Sebbene rari, gli incidenti industriali nel settore della produzione di petrolio e gas possono provocare incendi intensi difficili da contenere e controllare. Il gas flaring aiuta gli operatori a depressurizzare le apparecchiature in sicurezza e a gestire fluttuazioni di pressione grandi e imprevedibili bruciando il gas in eccesso.

I sistemi di AI possono migliorare questo processo di monitoraggio e il rischio di incidenti può essere ridotto utilizzando un sistema di monitoraggio delle torce basato sull'instance segmentation. Il monitoraggio del gas flaring è importante anche per ragioni ambientali, poiché un eccessivo flaring può avere un impatto negativo sull'ambiente.

I modelli di instance segmentation di Ultralytics YOLO11 possono essere utilizzati per monitorare la quantità di fuoco e fumo causati dal flaring. È possibile calcolare l'area in pixel del flare e del fumo rilevati e segmentati. Utilizzando queste informazioni, gli operatori possono ottenere informazioni in tempo reale sul flare e sul fumo causati dalla combustione, aiutandoli a prevenire incidenti e impatti ambientali negativi.

Fig 3. Un esempio di monitoraggio del flare utilizzando YOLO11 nella produzione di petrolio e gas.

Link to this sectionInstance segmentation con YOLO11 per la gestione dei rifiuti plastici#

Gli operatori presso strutture di gestione dei rifiuti e riciclaggio possono utilizzare sistemi basati sull'instance segmentation YOLO11 per identificare i materiali di scarto plastico. YOLO11 può essere integrato con sistemi di smistamento robotizzati per identificare con precisione diversi materiali di scarto, come cartone e plastica (da trattare separatamente). È particolarmente importante se si considera che, su 7 miliardi di tonnellate di rifiuti plastici generati a livello globale, solo circa il 10% viene riciclato.

Automatizzare l'identificazione e lo smistamento dei rifiuti plastici riduce significativamente il tempo necessario rispetto ai metodi tradizionali, in cui gli operatori smistano gli articoli a mano. I modelli di computer vision possono persino segmentare plastiche morbide come involucri e borse, che sono particolarmente difficili perché spesso si aggrovigliano. I modelli YOLO11 possono anche essere addestrati su misura per segmentare diversi tipi di plastica. Impareremo di più su come puoi addestrare su misura un modello YOLO11 nelle sezioni seguenti.

Fig 4. Identificazione dei rifiuti plastici utilizzando Ultralytics YOLO11.

Link to this sectionSegmentazione YOLO11 nei veicoli autonomi#

Un altro interessante caso d'uso dell'instance segmentation è quello delle auto autonome. YOLO11 consente alle auto a guida autonoma di migliorare la sicurezza dei passeggeri e quella degli altri utenti della strada riconoscendo accuratamente gli oggetti a livello di pixel. Il sistema di telecamere di bordo dell'auto può catturare immagini dell'ambiente circostante e analizzarle utilizzando YOLO11 e l'instance segmentation. Ogni oggetto (pedoni, semafori, altri veicoli, ecc.) all'interno dell'immagine viene segmentato e riceve un'etichetta. Un tale livello di precisione conferisce alle auto autonome la capacità di identificare ogni singolo oggetto attorno a loro.

Fig 5. Utilizzo di YOLO11 e dell'instance segmentation per identificare veicoli e pedoni sulla strada.

Link to this sectionProvare l'instance segmentation con il modello YOLO11#

Ora che abbiamo esplorato l'instance segmentation e discusso alcune delle sue applicazioni, vediamo come puoi provarla utilizzando il modello Ultralytics YOLO11.

Esistono due modi per farlo: puoi utilizzare il pacchetto Python di Ultralytics o l'Ultralytics HUB. Esploreremo entrambi, iniziando dal pacchetto Python.

Link to this sectionEsecuzione di inferenze utilizzando YOLO11#

L'esecuzione di un'inferenza prevede l'utilizzo del modello per analizzare dati nuovi e mai visti prima. Per eseguire un'inferenza utilizzando il modello di instance segmentation YOLO11 tramite codice, dobbiamo installare il pacchetto Python di Ultralytics usando pip, conda o docker. Nel caso in cui riscontrassi problemi durante l'installazione, puoi fare riferimento alla nostra Guida ai problemi comuni per assistenza nella risoluzione dei problemi. Una volta installato il pacchetto, puoi eseguire il codice mostrato di seguito per caricare il modello di instance segmentation YOLO11 ed eseguire previsioni su un'immagine.

Fig 6. Esecuzione di un'inferenza su un'immagine utilizzando YOLO11n-seg.

Link to this sectionAddestramento di un modello YOLO11 personalizzato#

Con la stessa configurazione del codice, puoi anche addestrare un modello YOLO11 personalizzato. Effettuando il fine-tuning di un modello YOLO11, puoi creare una versione personalizzata del modello che soddisfi meglio i requisiti del tuo progetto specifico. Ad esempio, i rivenditori possono utilizzare un modello personalizzato per segmentare accuratamente le caratteristiche fisiche di un cliente per consigliare vestiti che si adattino correttamente. Il frammento di codice qui sotto mostra come caricare e addestrare un modello YOLO11 per l'instance segmentation. Puoi partire da una configurazione YAML o da un modello pre-addestrato, trasferire i pesi e addestrare su un dataset come COCO per ottenere una segmentazione efficace.

Una volta completato, puoi eseguire inferenze utilizzando il modello personalizzato per le tue applicazioni specifiche. Utilizzando l'opzione di esportazione, puoi anche esportare il tuo modello personalizzato in un formato diverso.

Link to this sectionInstance segmentation YOLO11 su Ultralytics HUB#

Ora che abbiamo esplorato l'esecuzione di inferenze e l'addestramento personalizzato di un modello di instance segmentation YOLO11 tramite codice, diamo un'occhiata a un'alternativa senza codice: Ultralytics HUB. Ultralytics HUB è una piattaforma intuitiva di vision AI che semplifica il processo di addestramento e distribuzione dei modelli YOLO, inclusi i modelli di instance segmentation YOLO11.

Per eseguire l'inferenza sulle immagini, tutto ciò che devi fare è: creare un account, andare nella sezione 'Modelli' e selezionare la variante del modello di instance segmentation YOLO11 che preferisci. Puoi caricare un'immagine e visualizzare i risultati della previsione nella sezione di anteprima, come mostrato di seguito.

Fig 7. Esecuzione di inferenze su Ultralytics HUB.

Link to this sectionPunti chiave#

YOLO11 offre funzionalità di instance segmentation affidabili che aprono un mondo di possibilità in vari settori. Dal migliorare la sicurezza nei veicoli autonomi al monitoraggio del gas flaring nel settore petrolifero e del gas, fino all'automazione dello smistamento dei rifiuti negli impianti di riciclaggio, la precisione a livello di pixel di YOLO11 lo rende ideale per complesse attività di segmentazione.

Con opzioni per l'addestramento personalizzato tramite il pacchetto Python di Ultralytics e una configurazione senza codice tramite Ultralytics HUB, puoi integrare facilmente YOLO11 nei tuoi flussi di lavoro. Che si tratti di applicazioni industriali, sanità, vendita al dettaglio o monitoraggio ambientale, YOLO11 offre flessibilità e precisione per soddisfare diverse esigenze di segmentazione.

Per saperne di più, visita il nostro repository GitHub e interagisci con la nostra community. Esplora le applicazioni dell'AI nelle auto a guida autonoma e nell'agricoltura sulle nostre pagine delle soluzioni. 🚀