Segmentazione delle immagini

La segmentazione delle immagini è un compito fondamentale della computer vision (CV) che prevede la suddivisione di un'immagine digitale in più regioni o segmenti distinti. L'obiettivo è assegnare un'etichetta specifica a ogni pixel di un'immagine, creando di fatto una mappa a livello di pixel degli oggetti e dello sfondo. A differenza di altri compiti CV che potrebbero identificare la posizione di un oggetto con un semplice riquadro, la segmentazione delle immagini fornisce una comprensione molto più dettagliata, delineando la forma precisa di ogni oggetto. Questo dettaglio granulare è fondamentale per le applicazioni che richiedono una comprensione profonda della geometria e della composizione della scena. Questo processo è fondamentale per molte applicazioni avanzate di intelligenza artificiale.

Tipi di segmentazione delle immagini

La segmentazione delle immagini può essere classificata in tre tipi principali, ognuno dei quali offre un diverso livello di dettaglio e serve a scopi distinti:

• Segmentazione semantica: Questa tecnica classifica ogni pixel di un'immagine in una categoria predefinita, come "auto", "strada" o "cielo". Tutte le istanze della stessa classe di oggetti vengono raggruppate sotto un'unica etichetta. Ad esempio, in un'immagine con più auto, la segmentazione semantica etichetterebbe tutti i pixel appartenenti a qualsiasi auto come semplicemente "auto", senza distinguere un'auto dall'altra.
• Segmentazione delle istanze: Questo metodo fa un passo avanti nella segmentazione, non solo classificando ogni pixel, ma anche distinguendo tra le singole istanze della stessa classe. Nella stessa scena stradale, la segmentazione per istanze identificherebbe ogni auto come un oggetto unico, assegnando una maschera separata a "auto 1", "auto 2" e così via. Questo è particolarmente utile quando è necessario contare o tracciare i singoli oggetti.
• Segmentazione panottica: Come approccio ibrido, la segmentazione panottica combina i punti di forza della segmentazione semantica e di quella per istanze. Mira a creare una comprensione completa e unificata di una scena assegnando un'etichetta di classe a ogni singolo pixel (come la segmentazione semantica) e identificando in modo univoco ogni istanza di oggetto (come la segmentazione di istanza). In questo modo si ottiene l'analisi della scena più completa disponibile.

In che modo la segmentazione delle immagini si differenzia da altri compiti curriculari

È importante distinguere la segmentazione delle immagini da altri compiti comuni della computer vision:

• Classificazione delle immagini: Si concentra sull'assegnazione di una singola etichetta a un'intera immagine (ad esempio, "questa è una foto di una spiaggia"). Capisce cosa c'è nell'immagine, ma non dove.
• Rilevamento di oggetti: Identifica e localizza gli oggetti all'interno di un'immagine, in genere disegnando un riquadro di delimitazione intorno ad essi. Indica gli oggetti presenti e la loro posizione approssimativa, ma non la loro forma esatta.
• Segmentazione delle immagini: Fornisce il massimo dettaglio delineando il confine esatto di ogni oggetto a livello di pixel, offrendo una comprensione precisa della forma e della posizione dell'oggetto.

Applicazioni e casi d'uso

I risultati dettagliati della segmentazione delle immagini la rendono preziosa in numerosi campi.

• Veicoli autonomi: Per navigare in sicurezza, le auto a guida autonoma hanno bisogno di una comprensione precisa dell'ambiente circostante. I modelli di segmentazione identificano i confini esatti della strada, delle corsie, dei pedoni, degli altri veicoli e degli ostacoli, consentendo una migliore pianificazione del percorso e un migliore processo decisionale. Per saperne di più sul ruolo dell'IA nell'industria automobilistica.
• Analisi delle immagini mediche: Nel settore sanitario, la segmentazione viene utilizzata per analizzare scansioni mediche come la risonanza magnetica o la TAC. Può delineare con precisione tumori, organi o anomalie, aiutando i medici con diagnosi accurate, pianificazione chirurgica e monitoraggio della progressione della malattia. Questa è stata un'applicazione chiave per architetture come U-Net, che eccelle in contesti biomedici.
• Analisi delle immagini satellitari: I modelli di segmentazione elaborano le immagini satellitari per monitorare i cambiamenti ambientali, come la deforestazione o l'urbanizzazione. Possono classificare la copertura del suolo (ad esempio, foreste, acqua, aree urbane) e rilevare singoli oggetti come edifici o navi per la cartografia e la raccolta di informazioni.
• Produzione e robotica: Nelle fabbriche automatizzate, la segmentazione aiuta i robot a identificare parti specifiche su un nastro trasportatore per l'assemblaggio o a eseguire il controllo qualità rilevando i difetti con elevata precisione. Per saperne di più sul suo utilizzo nella segmentazione delle crepe.

Segmentazione delle immagini e Ultralitica YOLO

I moderni modelli di deep learning, in particolare quelli basati sulle reti neurali convoluzionali (CNN), sono lo standard per la segmentazione delle immagini. I modelli YOLO di Ultralytics, tra cui YOLOv8 e il più recente YOLO11, offrono capacità di segmentazione ad alte prestazioni e in tempo reale. Questi modelli possono essere facilmente addestrati su set di dati standard come COCO o su set di dati personalizzati per compiti specializzati.

Il framework Ultralytics semplifica l'intero flusso di lavoro, dall'addestramento di un modello alla convalida delle sue prestazioni e alla sua distribuzione per l'inferenza. Per una guida pratica, potete seguire le esercitazioni sulla segmentazione delle immagini con YOLO11 su Google Colab o imparare a isolare gli oggetti segmentati. Strumenti come Ultralytics HUB offrono una soluzione senza codice per la gestione dei set di dati, l'addestramento dei modelli con risorse cloud e la loro distribuzione in applicazioni reali.