Come usare Ultralytics YOLO11 per la segmentazione delle istanze

La visione artificiale, un campo dell'intelligenza artificiale (AI) che aiuta le macchine a interpretare e comprendere le informazioni visive, consente attività come la segmentazione delle istanze. La segmentazione delle istanze può essere usata per analizzare un'immagine o un fotogramma video e tracciare i contorni esatti di ogni singolo oggetto, anche quando nell'immagine sono presenti più oggetti dello stesso tipo. Grazie all'elevata precisione, la segmentazione delle istanze trova numerose applicazioni: può aiutare le auto a guida autonoma a rilevare gli ostacoli sulla strada e consentire di individuare tumori nelle immagini mediche.

Nel corso degli anni, la segmentazione delle istanze si è evoluta notevolmente. Uno sviluppo recente è stato presentato all'evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24), con il modello Ultralytics YOLO11, a cui è succeduto Ultralytics YOLO26. Il nuovo modello supporta le stesse attività di visione artificiale, inclusa la segmentazione delle istanze, del modello Ultralytics YOLOv8, quindi gli utenti che conoscono le versioni precedenti possono adottarlo facilmente.

Fig. 1. Esempio di utilizzo del modello Ultralytics YOLO11 per la segmentazione delle istanze.

In questo articolo vedremo la segmentazione delle istanze e le differenze rispetto ad altre attività di visione artificiale, come la segmentazione semantica, e ne esamineremo alcune applicazioni. Ti spiegheremo anche come usare il modello YOLO11 per la segmentazione delle istanze con il pacchetto Python di Ultralytics e Ultralytics HUB (ora Ultralytics Platform). Iniziamo!

Che cos'è la segmentazione di istanze?#

La segmentazione delle istanze può essere usata per identificare gli oggetti in un'immagine e tracciarne i contorni a livello di pixel. In genere, il processo inizia con il rilevamento degli oggetti e il disegno di bounding box attorno a ciascuno. Poi, un algoritmo di segmentazione classifica ogni pixel all'interno della bounding box per creare una maschera precisa per ciascun oggetto.

La segmentazione delle istanze si differenzia anche da attività come la segmentazione semantica e quella panottica. La segmentazione semantica assegna a ogni pixel un'etichetta basata sulla categoria generale dell'oggetto, senza distinguere le singole istanze. La segmentazione panottica, invece, combina la segmentazione delle istanze e quella semantica: assegna a ogni pixel sia una classe sia un ID dell'istanza, identificando i singoli oggetti all'interno di ogni categoria.

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

Le funzionalità della segmentazione delle istanze possono essere applicate in diversi scenari, che potrebbero richiedere modelli differenti. Per esempio, un modello leggero potrebbe essere ideale per l'elaborazione in tempo reale nelle applicazioni mobili, mentre un modello più complesso potrebbe essere usato per attività di elevata precisione, come il controllo qualità nella produzione.

Come i modelli precedenti, anche il modello YOLO11 per la segmentazione delle istanze è disponibile in diverse varianti, a seconda delle tue esigenze. Le varianti sono YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) e YOLO11x-seg (Extra Large). I modelli differiscono per dimensioni, velocità di elaborazione, precisione e potenza di calcolo richiesta. In base alle tue esigenze specifiche, puoi scegliere il modello più adatto alla tua applicazione.

Applicazioni della segmentazione delle istanze con YOLO11#

Le avanzate funzionalità di segmentazione delle istanze di YOLO11 aprono la strada a numerose applicazioni in diversi settori. Vediamone alcune più da vicino.

Uso della segmentazione YOLO11 nel settore del petrolio e del gas#

L'estrazione di petrolio e gas comporta la gestione di fluttuazioni di pressione estremamente elevate. Tecniche come il flaring del gas permettono di bruciare il gas naturale prodotto durante l'estrazione del petrolio. È una pratica necessaria per motivi di sicurezza. Per esempio, durante l'estrazione del greggio, un picco di pressione improvviso o significativo potrebbe causare un'esplosione. Sebbene siano poco comuni, gli incidenti industriali nel settore della produzione di petrolio e gas possono provocare incendi intensi, difficili da contenere e controllare. Il flaring consente agli operatori di depressurizzare le apparecchiature in sicurezza e gestire le forti e imprevedibili fluttuazioni di pressione bruciando il gas in eccesso.

I sistemi di IA possono migliorare questo processo di monitoraggio e ridurre il rischio di incidenti grazie a un sistema di monitoraggio delle torce basato sulla segmentazione delle istanze. Monitorare il flaring è importante anche per motivi ambientali, poiché un flaring eccessivo può danneggiare l’ambiente.

I modelli Ultralytics YOLO11 per la segmentazione delle istanze possono essere usati per monitorare la quantità di fuoco e fumo causata dal flaring. È possibile calcolare l'area in pixel della fiamma e del fumo rilevati e segmentati. Grazie a queste informazioni, gli operatori possono ottenere in tempo reale dati sulla fiamma e sul fumo causati dal flaring, contribuendo a prevenire incidenti e impatti ambientali negativi.

Fig. 3. Esempio di monitoraggio delle torce con YOLO11 nella produzione di petrolio e gas.

Segmentazione delle istanze con YOLO11 per la gestione dei rifiuti di plastica#

I lavoratori degli impianti di gestione dei rifiuti e riciclaggio possono usare sistemi basati sulla segmentazione delle istanze di YOLO11 per identificare i materiali plastici di scarto. YOLO11 può essere integrato con sistemi di smistamento robotizzati per identificare con precisione diversi materiali di scarto, come cartone e plastica, da trattare separatamente. Questo è particolarmente importante se si considera che, dei 7 miliardi di tonnellate metriche di rifiuti plastici generati a livello globale, solo circa il 10% viene riciclato.

L'automazione dell'identificazione e della selezione dei rifiuti plastici riduce notevolmente il tempo necessario rispetto ai metodi tradizionali, in cui i lavoratori smistano gli oggetti a mano. I modelli di visione artificiale possono segmentare anche le plastiche morbide, come pellicole e sacchetti, che sono particolarmente difficili da gestire perché spesso si aggrovigliano. I modelli YOLO11 possono inoltre essere addestrati su misura per segmentare diversi tipi di plastica. Nelle sezioni seguenti vedremo come addestrare su misura un modello YOLO11.

Fig. 4. Identificazione dei rifiuti di plastica con Ultralytics YOLO11.

Segmentazione YOLO11 nei veicoli autonomi#

Un'altra applicazione interessante della segmentazione delle istanze è quella delle auto autonome. YOLO11 consente alle auto a guida autonoma di migliorare la sicurezza dei passeggeri e delle altre persone sulla strada, riconoscendo con precisione gli oggetti a livello di pixel. Il sistema di telecamere di bordo dell'auto può acquisire immagini dell'ambiente circostante e analizzarle con YOLO11 e la segmentazione delle istanze. Ogni oggetto nell'immagine (pedoni, semafori, altri veicoli e così via) viene segmentato e contrassegnato con un'etichetta. Un livello di precisione simile permette alle auto autonome di identificare ogni singolo oggetto attorno a sé.

Fig. 5. Uso di YOLO11 e della segmentazione delle istanze per identificare veicoli e pedoni sulla strada.

Prova la segmentazione delle istanze con il modello YOLO11#

Ora che abbiamo approfondito la segmentazione delle istanze e alcune sue applicazioni, vediamo come provarla con il modello Ultralytics YOLO11.

Puoi farlo in due modi: usando il pacchetto Python Ultralytics oppure Ultralytics HUB. Vedremo entrambi, iniziando dal pacchetto Python.

Esecuzione di inferenze con YOLO11#

Eseguire un'inferenza significa usare il modello per analizzare nuovi dati mai visti prima. Per eseguire un'inferenza tramite codice con il modello YOLO11 per la segmentazione delle istanze, dobbiamo installare il pacchetto Python di Ultralytics usando pip, conda o Docker. Se riscontri problemi durante l'installazione, consulta la nostra guida ai problemi comuni per ricevere assistenza nella risoluzione. Dopo aver installato il pacchetto, puoi eseguire il codice qui sotto per caricare il modello YOLO11n-seg per la segmentazione delle istanze ed eseguire predizioni su un'immagine.

Fig. 6. Esecuzione di un’inferenza su un’immagine con YOLO11n-seg.

Addestramento di un modello YOLO11 personalizzato#

Con la stessa configurazione del codice, puoi anche addestrare un modello YOLO11 personalizzato. Perfezionando un modello YOLO11, puoi creare una versione personalizzata più adatta alle esigenze specifiche del tuo progetto. Per esempio, i rivenditori possono usare un modello personalizzato per segmentare con precisione le caratteristiche fisiche di un cliente e consigliare capi della taglia giusta. Il frammento di codice qui sotto mostra come caricare e addestrare un modello YOLO11 per la segmentazione delle istanze. Puoi partire da una configurazione YAML o da un modello preaddestrato, trasferire i pesi e addestrare il modello su un dataset come COCO per ottenere una segmentazione efficace.

Al termine, puoi eseguire inferenze con il modello personalizzato per le tue applicazioni specifiche. Puoi inoltre convertire il modello personalizzato in altri formati di distribuzione usando la modalità di esportazione.

Segmentazione delle istanze YOLO11 su Ultralytics HUB#

Dopo aver visto come eseguire inferenze e addestrare su misura tramite codice un modello YOLO11 per la segmentazione delle istanze, passiamo a un'alternativa senza codice: Ultralytics HUB. Ultralytics HUB è una piattaforma intuitiva di AI visiva che semplifica l'addestramento e la distribuzione dei modelli YOLO, inclusi i modelli YOLO11 per la segmentazione delle istanze.

Per eseguire inferenze sulle immagini, ti basta creare un account, andare alla sezione «Models» e selezionare la variante del modello YOLO11 per la segmentazione delle istanze che preferisci. Puoi caricare un'immagine e visualizzare i risultati della predizione nella sezione di anteprima, come mostrato qui sotto.

Fig. 7. Esecuzione di inferenze su Ultralytics HUB.

Punti chiave#

YOLO11 offre funzionalità affidabili di segmentazione delle istanze che aprono nuove possibilità in numerosi settori. Dal miglioramento della sicurezza dei veicoli autonomi al monitoraggio del flaring nel settore del petrolio e del gas, fino all’automazione dello smistamento dei rifiuti negli impianti di riciclaggio, la precisione di YOLO11 a livello di pixel lo rende ideale per attività di segmentazione complesse.

Grazie alle opzioni di addestramento personalizzato con il pacchetto Python di Ultralytics e alla configurazione senza codice tramite Ultralytics HUB, gli utenti possono integrare YOLO11 nei propri flussi di lavoro. Che si tratti di applicazioni industriali, sanità, commercio al dettaglio o monitoraggio ambientale, YOLO11 offre flessibilità e precisione per soddisfare esigenze di segmentazione diverse.

Per saperne di più, visita il nostro repository GitHub e partecipa alla nostra community. Scopri le applicazioni dell'AI nelle auto a guida autonoma e nell'agricoltura nelle nostre pagine dedicate alle soluzioni.