Como utilizar o Ultralytics YOLO11 para segmentação de instâncias

A visão computacional, um campo da inteligência artificial (AI) que ajuda as máquinas a interpretar e compreender informações visuais, permite realizar tarefas como a segmentação de instâncias. A segmentação de instâncias pode ser utilizada para analisar uma imagem ou um frame de vídeo e marcar os limites exatos de cada objeto distinto na imagem, mesmo quando estão presentes vários objetos do mesmo tipo. Graças ao seu elevado nível de precisão, a segmentação de instâncias tem uma ampla variedade de aplicações, desde ajudar carros autónomos a detetar obstáculos na estrada até [identificar tumores](https://ultralytics-translation-5.invalid em exames médicos.

Ao longo dos anos, a segmentação de instâncias evoluiu significativamente. Um desenvolvimento recente foi apresentado durante o evento híbrido anual da Ultralytics, o YOLO Vision 2024 (YV24), sob a forma do modelo Ultralytics YOLO11. O novo modelo suporta as mesmas tarefas de visão computacional (incluindo a segmentação de instâncias) que o modelo Ultralytics YOLOv8, pelo que os utilizadores familiarizados com versões anteriores podem adotar o novo modelo sem dificuldades.

Fig. 1. Um exemplo de utilização do modelo Ultralytics YOLO11 para segmentação de instâncias.

Neste artigo, vamos explorar a segmentação de instâncias e explicar em que difere de outras tarefas de visão computacional, como a segmentação semântica, além de abordar algumas das suas aplicações. Também veremos passo a passo como podes utilizar o modelo de segmentação de instâncias YOLO11 através do pacote Python da Ultralytics e da plataforma Ultralytics HUB. Vamos começar!

O que é a segmentação de instâncias?#

A segmentação de instâncias pode ser utilizada para identificar objetos numa imagem e delineá-los ao nível dos píxeis. Normalmente, o processo começa por detetar objetos e desenhar caixas delimitadoras à sua volta. Em seguida, um algoritmo de segmentação classifica cada píxel dentro da caixa delimitadora para criar uma máscara precisa para cada objeto.

A segmentação de instâncias também difere de tarefas como a segmentação semântica e a segmentação panóptica. A segmentação semântica atribui uma etiqueta a cada píxel com base na categoria geral de um objeto, sem distinguir instâncias individuais. A segmentação panóptica, por outro lado, combina a segmentação de instâncias e a segmentação semântica, atribuindo a cada píxel uma classe e um ID de instância para identificar objetos individuais dentro de cada categoria.

Fig. 2. Utilização do YOLO11 para detetar e segmentar uma pessoa e um cão.

As capacidades da segmentação de instâncias podem ser aplicadas em vários cenários que podem exigir modelos diferentes. Por exemplo, um modelo leve pode ser ideal para o processamento em tempo real em aplicações móveis, enquanto um modelo mais complexo pode ser utilizado em tarefas de elevada precisão, como o controlo de qualidade na indústria transformadora.

Tal como os modelos anteriores, o modelo de segmentação de instâncias YOLO11 também inclui várias variantes, dependendo das tuas necessidades. Estas variantes incluem YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) e YOLO11x-seg (Extra Large). Estes modelos variam em termos de tamanho, velocidade de processamento, precisão e quantidade de poder computacional necessária. Com base nos teus requisitos específicos, podes escolher o modelo que melhor se adapta à tua aplicação.

Aplicações da segmentação do YOLO11#

As capacidades avançadas de segmentação de instâncias do YOLO11 abrem caminho a várias aplicações em diferentes setores. Vejamos mais de perto algumas dessas aplicações.

Utilização da segmentação YOLO11 no setor do petróleo e gás#

A extração de petróleo e gás envolve a gestão de flutuações de pressão extremamente elevadas. Técnicas como a queima em tocha ajudam a queimar o gás natural produzido durante a extração de petróleo. Isto é necessário por motivos de segurança. Por exemplo, na extração de petróleo bruto, um aumento súbito ou significativo da pressão pode provocar uma explosão. Embora pouco frequentes, os acidentes industriais no setor de produção de petróleo e gás podem resultar em incêndios intensos, difíceis de conter e controlar. A queima em tocha ajuda os operadores a despressurizar o equipamento com segurança e a gerir grandes flutuações de pressão imprevisíveis, queimando o excesso de gás.

Os sistemas de AI podem melhorar este processo de monitorização, e o risco de acidentes pode ser reduzido através da utilização de um sistema de monitorização de tochas baseado em segmentação de instâncias. A monitorização da queima em tocha também é importante por razões ambientais, uma vez que uma queima excessiva pode afetar negativamente o ambiente.

Os modelos de segmentação de instâncias Ultralytics YOLO11 podem ser utilizados para monitorizar a quantidade de fogo e fumo causada pela queima em tocha. Pode ser calculada a área em píxeis da tocha e do fumo detetados e segmentados. Com estas informações, os operadores podem obter informações em tempo real sobre a tocha e o fumo causados pela queima, ajudando-os a prevenir acidentes e impactos ambientais negativos.

Fig. 3. Um exemplo de monitorização de tochas com o YOLO11 na indústria de petróleo e gás.

Segmentação de instâncias com YOLO11 para a gestão de resíduos de plástico#

Os trabalhadores de instalações de gestão de resíduos e reciclagem podem utilizar sistemas baseados na segmentação de instâncias do YOLO11 para identificar materiais de resíduos de plástico. O YOLO11 pode ser integrado em sistemas robóticos de triagem para identificar com precisão diferentes materiais residuais, como cartão e plástico (a serem processados separadamente). Isto é especialmente importante considerando que, dos 7 mil milhões de toneladas de resíduos de plástico gerados globalmente, apenas cerca de 10% são reciclados.

A automatização da identificação e da triagem de resíduos de plástico reduz significativamente o tempo necessário em comparação com os métodos tradicionais, nos quais os trabalhadores fazem a triagem dos artigos manualmente. Os modelos de visão computacional podem até segmentar plásticos flexíveis, como películas e sacos, que são particularmente difíceis de processar porque ficam frequentemente emaranhados. Os modelos YOLO11 também podem ser treinados à medida para segmentar diferentes tipos de plástico. Nas secções seguintes, aprenderemos mais sobre como podes treinar à medida um modelo YOLO11.

Fig. 4. Identificação de resíduos de plástico com o Ultralytics YOLO11.

Segmentação YOLO11 em veículos autónomos#

Outro caso de utilização interessante da segmentação de instâncias é nos carros autónomos. O YOLO11 permite que os carros autónomos melhorem a segurança dos passageiros e das outras pessoas na estrada, reconhecendo objetos com precisão ao nível dos píxeis. O sistema de câmaras integrado no veículo pode captar imagens do ambiente circundante e analisá-las utilizando o YOLO11 e a segmentação de instâncias. Cada objeto (peões, semáforos, outros veículos, etc.) presente na imagem é segmentado e recebe uma etiqueta. Este nível de precisão permite aos carros autónomos identificar todos e cada um dos objetos à sua volta.

Fig. 5. Utilização do YOLO11 e da segmentação de instâncias para identificar veículos e peões na estrada.

Experimentar a segmentação de instâncias com o modelo YOLO11#

Agora que explorámos a segmentação de instâncias e abordámos algumas das suas aplicações, vamos ver como podes experimentá-la utilizando o modelo Ultralytics YOLO11.

Há duas formas de o fazer: podes utilizar o pacote Python da Ultralytics ou o Ultralytics HUB. Vamos explorar ambas, começando pelo pacote Python.

Execução de inferências com YOLO11#

Executar uma inferência implica utilizar o modelo para analisar dados novos que não tenham sido vistos anteriormente. Para executar uma inferência através de código utilizando o modelo de segmentação de instâncias YOLO11, temos de instalar o pacote Python da Ultralytics através de pip, conda ou docker. Se tiveres problemas durante a instalação, consulta o nosso Guia de problemas comuns para obter ajuda na resolução de problemas. Depois de instalares o pacote, podes executar o código abaixo para carregar o modelo de segmentação de instâncias YOLO11 e executar previsões numa imagem.

Fig. 6. Execução de uma inferência numa imagem com YOLO11n-seg.

Treinar um modelo YOLO11 personalizado#

Com a mesma configuração de código, também podes treinar um modelo YOLO11 personalizado. Ao ajustar um modelo YOLO11, podes criar uma versão personalizada que cumpra melhor os requisitos do teu projeto específico. Por exemplo, os retalhistas podem utilizar um modelo personalizado para segmentar com precisão as características físicas de um cliente e recomendar roupas com o ajuste adequado. O excerto de código abaixo mostra como carregar e treinar um modelo YOLO11 para segmentação de instâncias. Podes começar com uma configuração YAML ou com um modelo pré-treinado, transferir os pesos e treinar num conjunto de dados como o COCO para obter uma segmentação eficaz.

Depois de concluído o treino, podes executar inferências utilizando o modelo personalizado para as tuas aplicações específicas. Através da opção de exportação, também podes exportar o teu modelo personalizado para um formato diferente.

Segmentação de instâncias YOLO11 no Ultralytics HUB#

Agora que explorámos a execução de inferências e o treino personalizado de um modelo de segmentação de instâncias YOLO11 através de código, vejamos uma alternativa sem código: o Ultralytics HUB. O Ultralytics HUB é uma plataforma intuitiva de AI para visão computacional que simplifica o processo de treino e implementação de modelos YOLO, incluindo os modelos de segmentação de instâncias YOLO11.

Para executar inferências em imagens, basta: criar uma conta, aceder à secção «Models» e selecionar a variante do modelo de segmentação de instâncias YOLO11 que preferires. Podes carregar uma imagem e ver os resultados da previsão na secção de pré-visualização, como mostrado abaixo.

Fig. 7. Execução de inferências no Ultralytics HUB.

Principais conclusões#

O YOLO11 oferece capacidades fiáveis de segmentação de instâncias que abrem um mundo de possibilidades em vários setores. Desde melhorar a segurança em veículos autónomos e monitorizar a queima em tocha no setor do petróleo e gás até automatizar a triagem de resíduos em instalações de reciclagem, a precisão ao nível dos píxeis do YOLO11 torna-o ideal para tarefas complexas de segmentação.

Com opções de treino personalizado através do pacote Python da Ultralytics e uma configuração sem código através do Ultralytics HUB, os utilizadores podem integrar facilmente o YOLO11 nos seus fluxos de trabalho. Seja para aplicações industriais, cuidados de saúde, retalho ou monitorização ambiental, o YOLO11 oferece flexibilidade e precisão para responder a diversas necessidades de segmentação.

Para saberes mais, visita o nosso repositório no GitHub e participa na nossa comunidade. Explora aplicações de AI em carros autónomos e na agricultura nas nossas páginas de soluções. 🚀