Image Segmentation

La segmentazione delle immagini è una tecnica sofisticata di visione artificiale (CV) che consiste nel suddividere un'immagine digitale in molteplici sottogruppi di pixel, spesso definiti segmenti o regioni dell'immagine. A differenza della classificazione delle immagini standard, che assegna una singola etichetta a un'intera immagine, la segmentazione analizza i dati visivi a un livello molto più granulare, assegnando un'etichetta di classe specifica a ogni singolo pixel. Questo processo crea una mappa precisa a livello di pixel, consentendo ai modelli di intelligenza artificiale (AI) di comprendere non solo quali oggetti sono presenti, ma anche dove si trovano esattamente e quali sono i loro confini specifici.

La meccanica dell'analisi a livello di pixel#

Per ottenere questa comprensione ad alta fedeltà, i modelli di segmentazione sfruttano in genere architetture di apprendimento profondo (DL), in particolare le reti neurali convoluzionali (CNNs). Queste reti fungono da potenti estrattori di caratteristiche, identificando schemi come bordi, texture e forme complesse. Le architetture di segmentazione tradizionali, come la classica U-Net, adottano spesso una struttura encoder-decoder. L'encoder comprime l'immagine di input per catturare il contesto semantico, mentre il decoder ricostruisce i dettagli spaziali per produrre una maschera di segmentazione finale.

I progressi moderni hanno portato ad architetture in tempo reale come YOLO26, rilasciato a gennaio 2026. Questi modelli integrano le funzionalità di segmentazione direttamente in una pipeline end-to-end, consentendo un'elaborazione ad alta velocità su vari hardware, dalle GPU cloud ai dispositivi edge.

Principali tipi di segmentazione#

A seconda dell'obiettivo specifico di un progetto, gli sviluppatori scelgono generalmente tra tre tecniche principali di segmentazione:

• Segmentazione semantica: questo metodo classifica i pixel in base alla loro categoria, ma non distingue tra oggetti separati appartenenti alla stessa classe. Ad esempio, in un'analisi di immagini satellitari, tutti i pixel che rappresentano una "foresta" verrebbero colorati di verde, trattando l'intera foresta come un'unica entità.
• Segmentazione delle istanze: questa tecnica identifica e separa singoli oggetti distinti di interesse. In una scena stradale affollata, la segmentazione delle istanze genererebbe una maschera univoca per "Auto A", "Auto B" e "Pedone A", consentendo ai sistemi di contare e tracciare entità specifiche. Questa è una funzionalità fondamentale della famiglia di modelli Ultralytics YOLO26.
• Segmentazione panottica: un approccio ibrido che combina la copertura della segmentazione semantica con la precisione della segmentazione delle istanze. Assegna un'etichetta a ogni pixel, distinguendo gli elementi amorfi dello sfondo, come il cielo e la strada, e identificando in modo univoco gli oggetti contabili in primo piano.

Differenza rispetto al rilevamento degli oggetti#

È fondamentale distinguere la segmentazione dal rilevamento degli oggetti. Mentre gli algoritmi di rilevamento localizzano gli elementi utilizzando un riquadro di delimitazione rettangolare, questo include inevitabilmente pixel dello sfondo all'interno del riquadro. La segmentazione fornisce una rappresentazione più precisa e aderente tracciando il contorno esatto o il poligono dell'oggetto. Questa differenza è fondamentale per applicazioni come la presa robotica, in cui un braccio robotico deve conoscere la geometria precisa di un elemento per manipolarlo senza collisioni.

Applicazioni nel mondo reale#

La precisione offerta dalla segmentazione delle immagini promuove l'innovazione in diversi settori:

• Diagnostica medica: nel campo dell'analisi delle immagini mediche, la segmentazione è essenziale per delineare le strutture anatomiche. Gli algoritmi analizzano le scansioni MRI per delimitare tumori o confini degli organi, consentendo ai chirurghi di calcolare volumi esatti e pianificare le procedure con una precisione potenzialmente salvavita.
• Guida autonoma: i veicoli a guida autonoma fanno affidamento sulla segmentazione per muoversi in sicurezza. Elaborando i flussi video, il computer del veicolo può distinguere le [corsie percorribili](https://ultralytics-translation-0.invalid dai marciapiedi e dagli ostacoli. Organizzazioni che definiscono gli standard, come SAE International, stabiliscono livelli di autonomia che richiedono questa percezione ambientale ad alta fedeltà.
• Agricoltura di precisione: nell'AI in agricoltura, la segmentazione aiuta i sistemi robotici a identificare le erbe infestanti tra le colture. Generando maschere per le foglie di piante specifiche, gli irroratori automatizzati possono colpire solo le specie invasive, riducendo significativamente l'uso di erbicidi.

Implementazione della segmentazione con Ultralytics YOLO26#

Gli sviluppatori possono implementare in modo efficiente la segmentazione delle istanze utilizzando il pacchetto Python ultralytics. L'esempio seguente utilizza il modello YOLO26 all'avanguardia, ottimizzato sia per la velocità sia per la precisione.

from ultralytics import YOLO

# Load a pre-trained YOLO26 segmentation model
# 'n' denotes the nano version, optimized for speed
model = YOLO("yolo26n-seg.pt")

# Run inference on an image to generate masks
# The model identifies objects and outlines their shape
results = model("https://ultralytics.com/images/bus.jpg")

# Display the image with segmentation overlays
results[0].show()

Per ottenere prestazioni elevate in attività personalizzate, i team devono spesso raccogliere dati di addestramento di alta qualità. La Ultralytics Platform semplifica questo processo fornendo strumenti per annotare le immagini con maschere poligonali, gestire i dataset e addestrare i modelli nel cloud, ottimizzando l'intero ciclo di vita delle operazioni di machine learning (MLOps). Librerie come OpenCV vengono inoltre utilizzate frequentemente insieme a questi modelli per il pre-processing delle immagini e il post-processing delle maschere risultanti.