5 novembre 2024
Scopri come il nuovo modello Ultralytics YOLO11 può essere utilizzato per la segmentazione delle istanze al fine di ottenere una maggiore precisione in applicazioni come la gestione dei rifiuti e il monitoraggio dei flare.
La computer vision, un campo all'interno dell'intelligenza artificiale (AI) che aiuta le macchine a interpretare e comprendere le informazioni visive, consente attività come la segmentazione di istanze. La segmentazione di istanze 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 alto livello di precisione, la segmentazione di istanze ha una vasta gamma di applicazioni, dall'aiutare le auto a guida autonoma a rilevare gli ostacoli sulla strada all'identificazione di tumori nelle scansioni mediche.
Nel corso degli anni, la segmentazione delle istanze 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 la segmentazione delle istanze) del modello Ultralytics YOLOv8, in modo che gli utenti che hanno familiarità con le versioni precedenti possano adottare il nuovo modello senza problemi.
In questo articolo, esploreremo la segmentazione di istanza e come si differenzia da altre attività di computer vision come la segmentazione semantica, oltre a discutere alcune delle sue applicazioni. Ti guideremo anche attraverso l'uso del modello di segmentazione di istanza YOLO11 utilizzando il pacchetto Python Ultralytics e la piattaforma Ultralytics HUB. Iniziamo!
La segmentazione di istanza può essere utilizzata per identificare gli oggetti in un'immagine e delinearli a livello di pixel. Il processo in genere prevede prima il rilevamento degli oggetti e il disegno di bounding box attorno a essi. Quindi, un algoritmo di segmentazione classifica ogni pixel all'interno del bounding box per creare una maschera precisa per ciascun oggetto.
La segmentazione di istanza è anche diversa da attività come la segmentazione semantica e la segmentazione panottica. La segmentazione semantica etichetta ogni pixel in base alla categoria generale di un oggetto, senza distinguere le singole istanze. La segmentazione panottica, d'altra parte, combina sia la segmentazione di istanza che quella semantica etichettando ogni pixel sia con una classe che con un ID di istanza, identificando i singoli oggetti all'interno di ciascuna categoria.
Le capacità dell'instance segmentation possono essere applicate in vari scenari che possono 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 di alta precisione come il controllo qualità nella produzione.
Come i modelli precedenti, anche il modello di segmentazione delle istanze YOLO11 è disponibile in diverse varianti a seconda delle 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, accuratezza e quantità di potenza di calcolo richiesta. In base alle tue esigenze specifiche, puoi scegliere il modello più adatto alla tua applicazione.
Le avanzate funzionalità di segmentazione di istanze di YOLO11 aprono una vasta gamma di applicazioni in vari settori. Diamo un'occhiata più da vicino ad alcune di queste applicazioni.
L'estrazione di petrolio e gas comporta la gestione di fluttuazioni di pressione estremamente elevate. Tecniche come la torcia a gas aiutano a bruciare il gas naturale prodotto durante l'estrazione del petrolio. Questo è necessario per motivi di sicurezza. Ad esempio, nell'estrazione di petrolio greggio, un picco di pressione improvviso o significativo potrebbe portare a un'esplosione. Sebbene non siano comuni, gli incidenti industriali nel settore della produzione di petrolio e gas possono provocare incendi intensi difficili da contenere e controllare. La torcia a gas aiuta gli operatori a depressurizzare in sicurezza le apparecchiature e a gestire fluttuazioni di pressione imprevedibili e di grandi dimensioni bruciando il gas in eccesso.
I sistemi di intelligenza artificiale possono migliorare questo processo di monitoraggio e il rischio di incidenti può essere ridotto utilizzando un sistema di monitoraggio del flare basato sulla segmentazione delle istanze. Il monitoraggio del gas di combustione è importante anche per motivi ambientali, poiché una combustione eccessiva può avere un impatto negativo sull'ambiente.
I modelli di segmentazione di istanze Ultralytics YOLO11 possono essere utilizzati per monitorare la quantità di fuoco e fumo causata dal flaring. L'area in pixel del flare e del fumo rilevati e segmentati può essere calcolata. Utilizzando queste informazioni, gli operatori possono ottenere informazioni in tempo reale sul flare e sul fumo causati dal flaring, aiutandoli a prevenire incidenti e impatti ambientali negativi.
Gli operatori degli impianti di gestione dei rifiuti e di riciclaggio possono utilizzare sistemi basati sulla segmentazione delle istanze YOLO11 per identificare i materiali di scarto in plastica. YOLO11 può essere integrato con sistemi di smistamento robotizzati per identificare accuratamente diversi materiali di scarto, come cartone e plastica (da trattare separatamente). Ciò è particolarmente importante se si considera che dei 7 miliardi di tonnellate di rifiuti di plastica prodotti a livello globale, solo il 10% circa viene riciclato.
L'automazione dell'identificazione e della selezione dei rifiuti di plastica riduce significativamente i tempi necessari rispetto ai metodi tradizionali, in cui i lavoratori selezionano gli articoli a mano. I modelli di visione artificiale possono persino segmentare le plastiche morbide come involucri e sacchetti, che sono particolarmente difficili perché spesso si aggrovigliano. I modelli YOLO11 possono anche essere addestrati in modo personalizzato per segmentare diversi tipi di plastica. Nelle sezioni seguenti, approfondiremo come è possibile addestrare in modo personalizzato un modello YOLO11.
Un altro interessante caso d'uso della segmentazione delle istanze è nelle 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 a bordo dell'auto può acquisire immagini dell'ambiente circostante e analizzarle utilizzando YOLO11 e la segmentazione delle istanze. Ogni oggetto (pedoni, semafori, altri veicoli, ecc.) all'interno dell'immagine viene segmentato e gli viene assegnata un'etichetta. Un tale livello di precisione offre alle auto autonome la capacità di identificare ogni singolo oggetto intorno a loro.
Ora che abbiamo esplorato la segmentazione delle istanze e discusso alcune delle sue applicazioni, vediamo come puoi provarla utilizzando il modello Ultralytics YOLO11.
Ci sono due modi per farlo: puoi utilizzare il pacchetto Python di Ultralytics o l'Ultralytics HUB. Esploreremo entrambi, iniziando con il pacchetto Python.
L'esecuzione di un'inferenza implica l'utilizzo del modello per analizzare dati nuovi, precedentemente non visti. Per eseguire un'inferenza utilizzando il modello di segmentazione dell'istanza YOLO11 tramite codice, è necessario installare il pacchetto Python Ultralytics utilizzando pip, conda o docker. In caso di problemi durante l'installazione, è possibile consultare la nostra Guida ai problemi comuni per assistenza nella risoluzione dei problemi. Una volta installato il pacchetto, è possibile eseguire il codice mostrato di seguito per caricare il modello di segmentazione dell'istanza YOLO11 ed eseguire previsioni su un'immagine.
Con la stessa configurazione del codice, puoi anche effettuare il training di 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 abiti che si adattino correttamente. Il frammento di codice seguente mostra come caricare ed effettuare il training di un modello YOLO11 per la segmentazione delle istanze. Puoi iniziare da una configurazione YAML o da un modello pre-addestrato, trasferire i pesi ed effettuare il training su un dataset come COCO per ottenere una segmentazione efficace.
Una volta completato, è possibile eseguire inferenze utilizzando il modello personalizzato per le proprie specifiche applicazioni. Utilizzando l'opzione di esportazione, è anche possibile esportare il modello personalizzato in un formato diverso.
Ora che abbiamo esplorato l'esecuzione di inferenze e l'addestramento personalizzato di un modello di segmentazione delle istanze YOLO11 tramite codice, esaminiamo un'alternativa senza codice: Ultralytics HUB. Ultralytics HUB è una piattaforma di Vision AI intuitiva che semplifica il processo di addestramento e implementazione dei modelli YOLO, inclusi i modelli di segmentazione delle istanze YOLO11.
Per eseguire l'inferenza sulle immagini, è sufficiente creare un account, andare alla sezione 'Modelli' e selezionare la variante del modello di instance segmentation YOLO11 desiderata. È possibile caricare un'immagine e visualizzare i risultati della previsione nella sezione di anteprima, come mostrato di seguito.
YOLO11 offre funzionalità di segmentazione di istanze affidabili che aprono un mondo di possibilità in vari settori. Dal miglioramento della sicurezza nei veicoli autonomi e il monitoraggio del gas flaring nel settore petrolifero e del gas, all'automazione della selezione dei rifiuti negli impianti di riciclaggio, la precisione a livello di pixel di YOLO11 lo rende ideale per compiti di segmentazione complessi.
Grazie alle opzioni per l'addestramento personalizzato tramite il pacchetto Python Ultralytics e a una configurazione no-code tramite Ultralytics HUB, gli utenti possono integrare facilmente YOLO11 nei loro 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'IA nelle auto a guida autonoma e nell'agricoltura nelle nostre pagine delle soluzioni. 🚀
.webp)