Como utilizar Ultralytics YOLO11 para segmentação de instâncias

A visão computacional, uma área da inteligência artificial (IA) que ajuda as máquinas a interpretar e compreender informações visuais, permite realizar tarefas como a segmentação de instâncias. A segmentação de instâncias pode ser usada para analisar uma imagem ou fotograma de vídeo e assinalar os limites exatos de cada objeto distinto, mesmo quando existem 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 em exames médicos.

Ao longo dos anos, a segmentação de instâncias evoluiu significativamente. Um avanço recente foi apresentado no evento híbrido anual da Ultralytics, YOLO Vision 2024 (YV24), sob a forma do modelo Ultralytics YOLO11, posteriormente sucedido pelo Ultralytics YOLO26. O novo modelo suporta as mesmas tarefas de visão computacional, incluindo segmentação de instâncias, que o modelo Ultralytics YOLOv8, pelo que os utilizadores familiarizados com versões anteriores podem adotá-lo facilmente.

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

Neste artigo, vamos explorar a segmentação de instâncias, explicar como se distingue de outras tarefas de visão computacional, como a segmentação semântica, e abordar algumas das suas aplicações. Também vamos explicar como podes usar o modelo YOLO11 de segmentação de instâncias através do pacote Ultralytics Python e do Ultralytics HUB (agora Ultralytics Platform). Vamos começar!

O que é a segmentação de instâncias?#

A segmentação de instâncias pode ser usada para identificar objetos numa imagem e delineá-los ao nível dos píxeis. O processo envolve geralmente primeiro 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 categoria geral a cada píxel, sem distinguir instâncias individuais. Por outro lado, a segmentação panóptica combina a segmentação de instâncias e a semântica, atribuindo a cada píxel uma classe e um ID de instância para identificar objetos individuais em 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 talvez exijam 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 usado em tarefas de alta precisão, como o controlo de qualidade na indústria transformadora.

Tal como os modelos anteriores, o modelo YOLO11 de segmentação de instâncias também tem várias variantes, consoante as tuas necessidades. Estas variantes incluem YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) e YOLO11x-seg (Extra Large). Os modelos diferem em tamanho, velocidade de processamento, precisão e capacidade computacional necessária. Podes escolher o modelo mais adequado à tua aplicação com base nos teus requisitos específicos.

Aplicações de segmentação de instâncias do YOLO11#

As capacidades avançadas de segmentação de instâncias do YOLO11 permitem várias aplicações em diferentes setores. Vamos analisar algumas delas.

Utilização da segmentação do YOLO11 no setor do petróleo e gás#

A extração de petróleo e gás implica gerir 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 repentino ou significativo da pressão pode provocar uma explosão. Embora pouco frequentes, os acidentes industriais no setor da produção de petróleo e gás podem causar incêndios intensos, difíceis de conter e controlar. A queima em tocha ajuda os operadores a despressurizar o equipamento em segurança e a gerir grandes flutuações de pressão imprevisíveis, queimando o excesso de gás.

Os sistemas de IA podem melhorar este processo de monitorização, e o risco de acidentes pode ser reduzido através de um sistema de monitorização de queimadores baseado na segmentação de instâncias. A monitorização da queima de gás também é importante por motivos ambientais, uma vez que a queima excessiva pode ter um impacto negativo no ambiente.

Os modelos Ultralytics YOLO11 de segmentação de instâncias podem ser usados para monitorizar a quantidade de fogo e fumo causada pela queima em tocha. É possível calcular a área em píxeis da chama e do fumo detetados e segmentados. Com estas informações, os operadores podem obter dados em tempo real sobre a chama e o fumo resultantes da queima em tocha, ajudando a prevenir acidentes e impactos ambientais negativos.

Fig. 3. Exemplo de monitorização de queimadores com YOLO11 na produção 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 usar sistemas baseados na segmentação de instâncias do YOLO11 para identificar resíduos plásticos. O YOLO11 pode ser integrado a sistemas robóticos de triagem para identificar com precisão diferentes tipos de resíduos, como cartão e plástico (que devem ser processados separadamente). Isto é especialmente importante, considerando que, dos 7 mil milhões de toneladas métricas de resíduos de plástico gerados globalmente, apenas cerca de 10% são reciclados.

Automatizar a identificação e a triagem de resíduos de plástico reduz significativamente o tempo necessário em comparação com os métodos tradicionais, em que os trabalhadores separam os itens à mão. Os modelos de visão computacional podem até segmentar plásticos flexíveis, como películas e sacos, que são particularmente difíceis de processar porque ficam muitas vezes emaranhados. Também é possível treinar modelos YOLO11 personalizados para segmentar diferentes tipos de plástico. Nas secções seguintes, vamos explicar como podes treinar um modelo personalizado YOLO11.

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

Segmentação do YOLO11 em veículos autónomos#

Outra aplicação interessante da segmentação de instâncias são os 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 de bordo do carro pode captar imagens do ambiente e analisá-las com o YOLO11 e a segmentação de instâncias. Cada objeto na imagem — peões, semáforos, outros veículos, etc. — é segmentado e recebe um rótulo. Este nível de precisão permite que os carros autónomos identifiquem todos os 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 a podes experimentar com 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.

Executar inferências com o YOLO11#

Executar uma inferência implica usar o modelo para analisar dados novos e nunca vistos. Para executar uma inferência com o modelo YOLO11 de segmentação de instâncias através de código, precisamos de instalar o pacote Ultralytics Python com pip, conda ou Docker. Se tiveres problemas durante a instalação, podes consultar 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 YOLO11n-seg de segmentação de instâncias e fazer 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 ajustares um modelo YOLO11, podes criar uma versão personalizada que corresponda melhor aos requisitos específicos do teu projeto. Por exemplo, os retalhistas podem usar um modelo personalizado para segmentar com precisão as características físicas de um cliente e recomendar roupa com o tamanho 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 um modelo pré-treinado, transferir pesos e treinar com um conjunto de dados como o COCO para obter uma segmentação eficaz.

Quando o treino terminar, podes executar inferências com o modelo personalizado para as tuas aplicações específicas. Também podes converter o modelo personalizado para outros formatos de implementação através do modo de exportação.

Segmentação de instâncias do YOLO11 no Ultralytics HUB#

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

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

Fig. 7. Executando 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 aumentar a segurança dos veículos autónomos e monitorizar a queima de gás no setor do petróleo e gás até automatizar a triagem de resíduos em instalações de reciclagem, a precisão ao nível do píxel do YOLO11 torna-o ideal para tarefas de segmentação complexas.

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

Para saber mais, visita o nosso repositório do GitHub e participa na nossa comunidade. Explora aplicações de IA em carros autónomos e na agricultura nas nossas páginas de soluções.