Come utilizzare Ultralytics YOLO11 per la segmentazione di istanze
Comprendi come il nuovo modello Ultralytics YOLO11 possa essere utilizzato per la segmentazione di istanze per ottenere una maggiore precisione in applicazioni come la gestione dei rifiuti e il monitoraggio dei flare.
La Computer vision, un campo dell'artificial intelligence (AI) che aiuta le macchine a interpretare e comprendere le informazioni visive, consente attività come la segmentazione d'istanza. La Instance segmentation può essere utilizzata per analizzare un'immagine o un fotogramma video per contrassegnare i confini esatti di ciascun oggetto distinto nell'immagine, anche quando sono presenti più oggetti dello stesso tipo. Grazie al suo alto livello di precisione, la segmentazione d'istanza ha un'ampia gamma di applicazioni, dall'aiutare le self-driving cars a rilevare ostacoli on the road all'identifying tumors negli medical scans.
Nel corso degli anni, la instance segmentation si è evoluta in modo significativo. Un recente sviluppo è stato presentato durante l'annual hybrid event di Ultralytics, YOLO Vision 2024 (YV24), sotto forma del modello Ultralytics YOLO11. Il nuovo modello supporta gli stessi computer vision tasks (inclusa la segmentazione d'istanza) del modello Ultralytics YOLOv8, quindi gli utenti familiari 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 la instance segmentation e come differisce da altre attività di visione artificiale come la segmentazione semantica, oltre a discutere alcune delle sue applicazioni. Vedremo anche come puoi utilizzare il modello di segmentazione d'istanza YOLO11 utilizzando il Ultralytics Python package e la piattaforma Ultralytics HUB. Iniziamo!
Cos'è l'instance segmentation?#
La Instance segmentation può essere utilizzata per identificare oggetti in un'immagine e delinearne i contorni a livello di pixel. Il processo in genere prevede prima il detecting objects e il disegno di bounding boxes attorno a essi. Successivamente, un algoritmo di segmentazione classifica ciascun pixel all'interno del riquadro di delimitazione per creare una precise mask per ciascun oggetto.
La Instance segmentation è anche diversa da attività come la segmentazione semantica e la segmentazione panoptica. La Semantic segmentation etichetta ciascun pixel in base alla categoria generale di un oggetto, senza distinguere le singole istanze. La Panoptic segmentation, d'altra parte, combina sia la segmentazione d'istanza che quella semantica etichettando ciascun pixel sia con una classe che con un ID di istanza, identificando i singoli oggetti all'interno di ciascuna categoria.
Fig 2. Utilizzo di YOLO11 per rilevare e segmentare una persona e un cane.
Le capacità della segmentazione d'istanza possono essere applicate in vari scenari che potrebbero richiedere modelli differenti. Ad esempio, un modello leggero potrebbe essere ideale per il real-time processing nelle applicazioni mobili, mentre un modello più complesso potrebbe essere utilizzato per attività ad alta precisione come il quality control nella produzione.
Come i modelli precedenti, anche il modello di segmentazione d'istanza YOLO11 viene fornito con diverse varianti a seconda delle 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 computational power di cui necessitano. In base ai tuoi requisiti specifici, puoi scegliere il modello che meglio si adatta alla tua applicazione.
Applicazioni 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.
Utilizzo della segmentazione YOLO11 nell'industria petrolifera e del gas#
L'estrazione di Oil and gas comporta la gestione di fluttuazioni di pressione estremamente elevate. Tecniche come il flaring del gas aiutano a bruciare il gas naturale prodotto durante l'estrazione del petrolio. È necessario per safety reasons. Ad esempio, nell'estrazione di petrolio greggio, un picco di pressione improvviso o significativo potrebbe causare un'esplosione. Sebbene rari, gli incidenti industriali nel settore manifatturiero di petrolio e gas possono provocare incendi intensi che sono difficili da contenere e controllare. Il flaring del gas aiuta gli operatori a depressurizzare in sicurezza le apparecchiature e a gestire fluttuazioni di pressione imprevedibili e ampie 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 smoke causata dal flaring. È possibile calcolare l'area in pixel della fiamma e del smoke rilevati e segmentati. Utilizzando queste informazioni, gli operatori possono ottenere approfondimenti in tempo reale sulla fiamma e sul fumo causati dal flaring, aiutandoli a prevenire incidenti e impatti ambientali negativi.
Fig 3. Un esempio di monitoraggio del flare utilizzando YOLO11 nella produzione di petrolio e gas.
Instance segmentation con YOLO11 per la gestione dei rifiuti plastici#
I lavoratori negli impianti di waste management e recycling possono utilizzare sistemi basati sulla segmentazione d'istanza di YOLO11 per identificare i materiali di rifiuti plastici. YOLO11 può essere integrato con sistemi di smistamento robotizzati per identificare accuratamente diversi materiali di scarto, come cartone e plastica (da elaborare separatamente). È particolarmente importante considerando che, su 7 miliardi di tonnellate di plastic waste generate a livello globale, solo circa il 10% viene riciclato.
Automatizzare l'identificazione e il sorting of plastic waste riduce significativamente il tempo necessario rispetto ai metodi tradizionali, in cui i lavoratori smistano gli articoli a mano. I Computer vision models possono persino segmentare plastiche morbide come involucri e sacchetti, che sono particolarmente difficili perché spesso si aggrovigliano. I YOLO11 models possono anche essere custom-trained per segmentare diversi tipi di plastica. Impareremo di più su come puoi custom-train un modello YOLO11 nelle sezioni seguenti.
Fig 4. Identificazione dei rifiuti plastici utilizzando Ultralytics YOLO11.
Segmentazione YOLO11 nei veicoli autonomi#
Un altro interessante caso d'uso della segmentazione d'istanza è nelle autonomous cars. YOLO11 consente alle self-driving cars di migliorare la sicurezza dei passeggeri e degli altri utenti della strada riconoscendo accuratamente gli oggetti a livello di pixel. Il camera system di bordo dell'auto può catturare immagini dell'ambiente circostante e analizzarle utilizzando YOLO11 e la segmentazione d'istanza. Ciascun oggetto (pedoni, semafori, altri veicoli, ecc.) all'interno dell'immagine viene segmentato e riceve un'etichetta. Un tale livello di precisione offre alle auto autonome la capacità di identificare ogni singolo oggetto intorno a esse.
Fig 5. Utilizzo di YOLO11 e della segmentazione d'istanza per identificare veicoli e pedoni sulla strada.
Provare 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.
Esecuzione di inferenze utilizzando YOLO11#
Eseguire un'inference comporta l'utilizzo del modello per analizzare dati nuovi e mai visti prima. Per eseguire un'inferenza utilizzando il modello di segmentazione d'istanza YOLO11 tramite codice, dobbiamo installare il Ultralytics Python package utilizzando pip, conda o docker. Nel caso in cui riscontri problemi durante l'installazione, puoi fare riferimento alla nostra Common Issues Guide per assistenza nella risoluzione dei problemi. Una volta installato il pacchetto, puoi eseguire il codice mostrato di seguito per caricare il modello di segmentazione d'istanza YOLO11 ed eseguire previsioni su un'immagine.
Fig 6. Esecuzione di un'inferenza su un'immagine utilizzando YOLO11n-seg.
Addestramento di un modello YOLO11 personalizzato#
Con la stessa configurazione del codice, puoi anche train un modello YOLO11 personalizzato. Eseguendo il fine-tuning di un modello YOLO11, puoi creare una versione personalizzata del modello che soddisfa meglio i requisiti del tuo specific project. Ad esempio, i retailers possono utilizzare un modello personalizzato per segmentare accuratamente le caratteristiche fisiche di un cliente per recommend clothes che calzano correttamente. Lo snippet di codice sottostante mostra come caricare e addestrare un modello YOLO11 per la segmentazione d'istanza. Puoi iniziare da una YAML configuration o da un modello pre-addestrato, trasferire i pesi e addestrare su un dataset like COCO per ottenere una segmentazione efficace.
Una volta completato, puoi eseguire inferenze utilizzando il modello personalizzato per le tue specific applications. Utilizzando l'export option, puoi anche export il tuo modello personalizzato in un formato diverso.
Instance segmentation YOLO11 su Ultralytics HUB#
Ora che abbiamo esplorato l'esecuzione di inferenze e l'addestramento personalizzato di un modello di segmentazione d'istanza YOLO11 tramite codice, diamo un'occhiata a un'alternativa no-code: Ultralytics HUB. Ultralytics HUB è una piattaforma di intelligenza artificiale visiva intuitiva che semplifica il processo di addestramento e distribuzione dei modelli YOLO, inclusi i modelli di segmentazione d'istanza 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.
Punti 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 GitHub repository e interagisci con la nostra community. Esplora le applicazioni di IA nelle self-driving cars e nell'agriculture sulle nostre pagine delle soluzioni. 🚀
