Come utilizzare 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 delimitare con precisione i confini di ogni singolo oggetto nell'immagine, anche quando sono presenti più oggetti dello stesso tipo. Grazie al suo elevato livello di precisione, la segmentazione delle istanze trova numerose applicazioni, dall'aiutare le auto a guida autonoma a rilevare gli ostacoli sulla strada fino all'[identificazione dei tumori](https://ultralytics-translation-5.invalid nelle scansioni mediche.

Nel corso degli anni, la segmentazione delle istanze si è evoluta notevolmente. Un recente sviluppo è stato presentato 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 visione artificiale (inclusa la segmentazione delle istanze) del modello Ultralytics YOLOv8, quindi gli utenti che conoscono le versioni precedenti possono adottare il nuovo modello senza difficoltà.

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

In questo articolo esploreremo la segmentazione delle istanze e le differenze rispetto ad altre attività di visione artificiale, come la segmentazione semantica, oltre ad analizzarne alcune applicazioni. Vedremo anche come usare il modello YOLO11 per la segmentazione delle istanze tramite il pacchetto Python di Ultralytics e la piattaforma Ultralytics HUB. Iniziamo!

Che cos'è la segmentazione delle istanze?#

La segmentazione delle istanze può essere usata per identificare gli oggetti in un'immagine e delinearli a livello di pixel. Il processo prevede in genere innanzitutto il rilevamento degli oggetti e il tracciamento di bounding box attorno a essi. Successivamente, 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 la segmentazione panottica. La segmentazione semantica assegna un'etichetta a ogni pixel in base alla categoria generale dell'oggetto, senza distinguere le singole istanze. La segmentazione panottica, invece, combina la segmentazione delle istanze e quella semantica assegnando a ogni pixel sia una classe sia un ID di istanza, così da identificare i singoli oggetti all'interno di ogni categoria.

Fig. 2. Utilizzo 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. Ad 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 ad alta 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. Queste varianti includono 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, accuratezza e quantità di potenza di calcolo richiesta. In base ai tuoi requisiti specifici, puoi scegliere il modello più adatto alla tua applicazione.

Applicazioni della segmentazione con YOLO11#

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

Utilizzo della segmentazione di YOLO11 nel settore petrolifero e del gas#

L'estrazione di petrolio e 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. Questo è necessario per motivi di sicurezza. Ad esempio, nell'estrazione del petrolio greggio, un aumento improvviso o significativo della pressione potrebbe provocare un'esplosione. Sebbene non siano comuni, gli incidenti industriali nel settore della produzione di petrolio e gas possono causare incendi intensi, difficili da contenere e controllare. Il flaring del gas aiuta gli operatori a depressurizzare in sicurezza le apparecchiature e a gestire variazioni di pressione imprevedibili e ingenti bruciando il gas in eccesso.

I sistemi di AI possono migliorare questo processo di monitoraggio e il rischio di incidenti può essere ridotto usando un sistema di monitoraggio del flaring basato sulla segmentazione delle istanze. Il monitoraggio del flaring del gas 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 del flare e del fumo rilevati e segmentati. Grazie a queste informazioni, gli operatori possono ottenere dati in tempo reale sul flare e sul fumo causati dal flaring, contribuendo a prevenire incidenti e impatti ambientali negativi.

Fig. 3. Esempio di monitoraggio del flare 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 robotici di selezione per identificare con precisione diversi materiali di scarto, come cartone e plastica (da trattare separatamente). È particolarmente importante considerando che, dei 7 miliardi di tonnellate di rifiuti di plastica generati a livello globale, solo circa il 10% viene riciclato.

Automatizzare l'identificazione e la selezione dei rifiuti di plastica riduce significativamente il tempo necessario rispetto ai metodi tradizionali, in cui i lavoratori selezionano gli articoli manualmente. I modelli di visione artificiale possono persino segmentare plastiche morbide come involucri e sacchetti, 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 più nel dettaglio come addestrare su misura un modello YOLO11.

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

Segmentazione con YOLO11 nei veicoli autonomi#

Un altro interessante caso d'uso della segmentazione delle istanze riguarda le 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 usando YOLO11 e la segmentazione delle istanze. Ogni oggetto (pedoni, semafori, altri veicoli, ecc.) presente nell'immagine viene segmentato e riceve un'etichetta. Un livello di precisione simile consente alle auto autonome di identificare ogni singolo oggetto intorno a loro.

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

Sperimentare la segmentazione delle istanze con il modello YOLO11#

Ora che abbiamo esplorato la segmentazione delle istanze e analizzato alcune delle sue applicazioni, vediamo come puoi provarla usando il modello Ultralytics YOLO11.

Esistono due modi per farlo: puoi usare il pacchetto Python di Ultralytics oppure Ultralytics HUB. Li esamineremo entrambi, iniziando dal pacchetto Python.

Esecuzione di inferenze con YOLO11#

Eseguire un'inferenza significa usare il modello per analizzare dati nuovi e mai osservati in precedenza. Per eseguire un'inferenza tramite codice usando il modello YOLO11 per la segmentazione delle istanze, dobbiamo installare il pacchetto Python di Ultralytics usando pip, conda o docker. In caso di problemi durante l'installazione, puoi consultare la nostra Guida ai problemi comuni per ricevere assistenza nella risoluzione dei problemi. Una volta installato il pacchetto, puoi eseguire il codice mostrato di seguito per caricare il modello YOLO11 per la segmentazione delle istanze ed eseguire previsioni su un'immagine.

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

Addestramento di un modello YOLO11 personalizzato#

Con la stessa configurazione del codice puoi anche addestrare un modello YOLO11 personalizzato. Eseguendo il fine-tuning di un modello YOLO11, puoi creare una versione personalizzata che soddisfi meglio i requisiti del tuo progetto specifico. Ad esempio, i rivenditori possono usare un modello personalizzato per segmentare con precisione le caratteristiche fisiche di un cliente e consigliare abiti della taglia giusta. Il frammento di codice seguente 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 usando il modello personalizzato per le tue applicazioni specifiche. Usando l'opzione di esportazione, puoi anche esportare il modello personalizzato in un formato diverso.

Segmentazione delle istanze di YOLO11 su Ultralytics HUB#

Ora che abbiamo visto come eseguire inferenze e addestrare tramite codice un modello YOLO11 per la segmentazione delle istanze, esaminiamo un'alternativa senza codice: Ultralytics HUB. Ultralytics HUB è una piattaforma intuitiva di AI per la visione artificiale che semplifica l'addestramento e la distribuzione dei modelli YOLO, inclusi i modelli YOLO11 per la segmentazione delle istanze.

Per eseguire inferenze sulle immagini, devi solo creare un account, accedere 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 previsione nella sezione di anteprima, come mostrato di seguito.

Fig. 7. Esecuzione di inferenze su Ultralytics HUB.

Punti chiave#

YOLO11 offre funzionalità affidabili di segmentazione delle istanze che aprono un mondo di possibilità in diversi settori. Dal miglioramento della sicurezza nei veicoli autonomi e dal monitoraggio del flaring del gas nel settore petrolifero e del gas fino all'automazione della selezione dei rifiuti negli impianti di riciclaggio, la precisione a livello di pixel di YOLO11 lo rende ideale per attività di segmentazione complesse.

Grazie alle opzioni di addestramento personalizzato tramite il pacchetto Python di Ultralytics e a una configurazione senza codice attraverso Ultralytics HUB, gli utenti possono integrare YOLO11 nei propri flussi di lavoro senza difficoltà. Che si tratti di applicazioni industriali, sanità, vendita al dettaglio o monitoraggio ambientale, YOLO11 offre flessibilità e accuratezza 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. 🚀