Segmentazione con modelli Ultralytics YOLOv8 preaddestrati in Python

In questo articolo analizzeremo la segmentazione degli oggetti con il modello Ultralytics YOLOv8 e vedremo come configurare ed eseguire la segmentazione in Python.

Preparare il terreno per la segmentazione#

Iniziamo con Ultralytics YOLOv8. Per installare il pacchetto Ultralytics basta un solo comando, dopodiché puoi utilizzare le funzionalità di segmentazione del modello.

La segmentazione di istanze fa un passo in più rispetto al rilevamento degli oggetti: individua i singoli oggetti in un'immagine e li separa dallo sfondo.

L'output comprende maschere o contorni che delineano ogni oggetto, insieme alle etichette delle classi e ai punteggi di confidenza. Questa tecnica è utile quando è importante conoscere con precisione la forma degli oggetti: fornisce non solo la posizione, ma anche informazioni dettagliate sulla loro forma.

Con pochi semplici comandi puoi eseguire predizioni dalla riga di comando.

Segmentazione in tempo reale: dare vita alle immagini#

La segmentazione non si limita alle immagini statiche. Con un breve script Python puoi eseguirla anche in tempo reale su un flusso video dal vivo.

Utilizzando la classe YOLO insieme a OpenCV, puoi segmentare i fotogrammi della webcam e visualizzare i risultati man mano che vengono elaborati.

Nel video, il modello segmenta oggetti di uso quotidiano, dalle sedie alle piante.

Fig. 1. Nicolai Nielsen illustra i modelli di segmentazione COCO preaddestrati.

In Ultralytics supportiamo anche i modelli preaddestrati per la segmentazione di COCO, un ottimo punto di partenza per molti casi d'uso. Puoi poi perfezionare questi modelli in base alle tue esigenze specifiche.

Nel complesso, supportiamo diversi dataset, come la segmentazione delle istanze di parti di automobili, la segmentazione delle crepe e la segmentazione degli imballaggi industriali. Addestrare modelli di segmentazione su questi dataset è semplice grazie a un singolo comando disponibile nella nostra documentazione:

yolo segment train data=carparts-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

A presto#

Nei prossimi video approfondiremo Ultralytics YOLOv8, trattando l'addestramento personalizzato e l'inferenza sui tuoi dataset.

Ci impegniamo a rendere l'IA e il machine learning più semplici da usare, un segmento alla volta.

Guarda il video completo su YouTube.