5 ноября 2024 г.
Узнайте, как новая модель Ultralytics YOLO11 может быть использована для instance segmentation, чтобы добиться более высокой точности в таких приложениях, как управление отходами и мониторинг факельного горения.
Компьютерное зрение, область в рамках искусственного интеллекта (ИИ), которая помогает машинам интерпретировать и понимать визуальную информацию, позволяет выполнять такие задачи, как сегментация экземпляров. Сегментация экземпляров может использоваться для анализа изображения или видеокадра, чтобы отметить точные границы каждого отдельного объекта на изображении, даже если присутствует несколько объектов одного типа. Благодаря высокому уровню точности сегментация экземпляров имеет широкий спектр применений, от помощи самоуправляемым автомобилям в обнаружении препятствий на дороге до выявления опухолей в медицинских сканах.
За прошедшие годы сегментация экземпляров значительно эволюционировала. Недавняя разработка была представлена во время ежегодного гибридного мероприятия Ultralytics, YOLO Vision 2024 (YV24), в виде модели Ultralytics YOLO11. Новая модель поддерживает те же задачи компьютерного зрения (включая сегментацию экземпляров), что и модель Ultralytics YOLOv8, поэтому пользователи, знакомые с предыдущими версиями, могут легко перейти на новую модель.
В этой статье мы рассмотрим сегментацию экземпляров и ее отличия от других задач компьютерного зрения, таких как семантическая сегментация, а также обсудим некоторые области ее применения. Мы также рассмотрим, как использовать модель сегментации экземпляров YOLO11 с помощью Python-пакета Ultralytics и платформы Ultralytics HUB. Начнем!
Сегментация экземпляров может использоваться для идентификации объектов на изображении и выделения их на уровне пикселей. Этот процесс обычно включает в себя сначала обнаружение объектов и рисование ограничивающих рамок вокруг них. Затем алгоритм сегментации классифицирует каждый пиксель внутри ограничивающей рамки, чтобы создать точную маску для каждого объекта.
Сегментация экземпляров также отличается от таких задач, как семантическая сегментация и паноптическая сегментация. Семантическая сегментация помечает каждый пиксель на основе общей категории объекта, не различая отдельные экземпляры. Паноптическая сегментация, с другой стороны, объединяет сегментацию экземпляров и семантическую сегментацию, помечая каждый пиксель как классом, так и идентификатором экземпляра, идентифицируя отдельные объекты в каждой категории.
Возможности сегментации экземпляров могут применяться в различных сценариях, требующих разных моделей. Например, облегченная модель может быть идеальной для обработки в реальном времени в мобильных приложениях, в то время как более сложная модель может использоваться для высокоточных задач, таких как контроль качества в производстве.
Как и предыдущие модели, модель YOLO11 для сегментации экземпляров также поставляется с несколькими вариантами в зависимости от ваших потребностей. Эти варианты включают YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) и YOLO11x-seg (Extra Large). Эти модели различаются по размеру, скорости обработки, точности и объему необходимой вычислительной мощности. В зависимости от ваших конкретных требований вы можете выбрать модель, которая лучше всего подходит для вашего приложения.
Расширенные возможности сегментации экземпляров YOLO11 открывают широкий спектр применений в различных отраслях. Давайте подробнее рассмотрим некоторые из этих применений.
Добыча нефти и газа включает в себя управление чрезвычайно высокими колебаниями давления. Такие методы, как сжигание газа, помогают сжигать природный газ, который образуется при добыче нефти. Это необходимо из соображений безопасности. Например, при добыче сырой нефти внезапный или значительный скачок давления может привести к взрыву. Хотя это и редкость, промышленные аварии в нефтегазовом секторе могут привести к сильным пожарам, которые трудно локализовать и контролировать. Сжигание газа помогает операторам безопасно сбрасывать давление с оборудования и управлять непредсказуемыми большими колебаниями давления, сжигая излишки газа.
Системы ИИ могут улучшить этот процесс мониторинга, а риск несчастных случаев можно снизить, используя систему мониторинга факельного горения на основе сегментации экземпляров. Мониторинг газовых факелов также важен по экологическим причинам, поскольку слишком большое количество факельного горения может негативно повлиять на окружающую среду.
Модели сегментации экземпляров Ultralytics YOLO11 могут использоваться для мониторинга количества огня и дыма, вызванных факельным сжиганием. Можно рассчитать площадь пикселей обнаруженного и сегментированного пламени и дыма. Используя эту информацию, операторы могут получать информацию о факельном сжигании и дыме в режиме реального времени, что помогает им предотвращать несчастные случаи и негативное воздействие на окружающую среду.
Работники предприятий по переработке отходов и вторичной переработке могут использовать системы на основе сегментации экземпляров YOLO11 для идентификации пластиковых отходов. YOLO11 можно интегрировать с роботизированными системами сортировки для точной идентификации различных отходов, таких как картон и пластик (для раздельной обработки). Это особенно важно, учитывая, что из 7 миллиардов тонн пластиковых отходов, образующихся в мире, перерабатывается только около 10%.
Автоматизация идентификации и сортировки пластиковых отходов значительно сокращает время, необходимое по сравнению с традиционными методами, когда рабочие сортируют предметы вручную. Модели компьютерного зрения могут даже сегментировать мягкие пластмассы, такие как обертки и пакеты, которые особенно сложны, потому что они часто запутываются. Модели YOLO11 также можно настраивать для сегментирования различных типов пластмасс. Мы узнаем больше о том, как вы можете настроить модель YOLO11 в следующих разделах.
Еще один интересный пример использования сегментации экземпляров — в автономных автомобилях. YOLO11 позволяет самоуправляемым автомобилям повысить безопасность пассажиров и других участников дорожного движения за счет точного распознавания объектов на уровне пикселей. Бортовая система камер автомобиля может захватывать изображения окружающей среды и анализировать их с помощью YOLO11 и сегментации экземпляров. Каждый объект (пешеходы, светофоры, другие транспортные средства и т. д.) на изображении сегментируется и получает метку. Такой уровень точности дает автономным автомобилям возможность идентифицировать каждый объект вокруг них.
Теперь, когда мы изучили сегментацию экземпляров и обсудили некоторые ее применения, давайте посмотрим, как вы можете опробовать ее, используя модель Ultralytics YOLO11.
Есть два способа сделать это: вы можете использовать пакет Ultralytics Python или Ultralytics HUB. Мы рассмотрим оба способа, начиная с пакета Python.
Запуск инференса включает в себя использование модели для анализа новых, ранее не виденных данных. Чтобы запустить инференс с использованием модели сегментации экземпляров YOLO11 через код, нам необходимо установить пакет Ultralytics Python с помощью pip, conda или docker. В случае возникновения каких-либо проблем во время установки вы можете обратиться к нашему Руководству по распространенным проблемам для получения помощи в устранении неполадок. После установки пакета вы можете запустить код, показанный ниже, чтобы загрузить модель сегментации экземпляров YOLO11 и запустить прогнозы на изображении.
Используя ту же настройку кода, вы также можете обучить собственную модель YOLO11. Путем тонкой настройки модели YOLO11 вы можете создать пользовательскую версию модели, которая лучше соответствует требованиям вашего конкретного проекта. Например, розничные продавцы могут использовать пользовательскую модель для точной сегментации физических особенностей клиента, чтобы рекомендовать одежду, которая хорошо подходит. В приведенном ниже фрагменте кода показано, как загрузить и обучить модель YOLO11 для сегментации экземпляров. Вы можете начать с YAML-конфигурации или предварительно обученной модели, перенести веса и обучить на наборе данных, таком как COCO, для достижения эффективной сегментации.
После завершения вы можете выполнять инференс, используя пользовательскую модель для ваших конкретных задач. С помощью опции экспорта вы также можете экспортировать свою пользовательскую модель в другой формат.
Теперь, когда мы изучили запуск выводов и пользовательскую тренировку модели сегментации экземпляров YOLO11 с помощью кода, давайте рассмотрим альтернативу без кода: Ultralytics HUB. Ultralytics HUB - это интуитивно понятная платформа Vision AI, которая упрощает процесс обучения и развертывания моделей YOLO, включая модели сегментации экземпляров YOLO11.
Чтобы запустить инференс на изображениях, вам нужно всего лишь создать аккаунт, перейти в раздел ‘Модели’ и выбрать нужный вариант модели сегментации экземпляров YOLO11. Вы можете загрузить изображение и просмотреть результаты прогнозирования в разделе предварительного просмотра, как показано ниже.
YOLO11 предлагает надежные возможности сегментации экземпляров, которые открывают мир возможностей в различных отраслях. От повышения безопасности в автономных транспортных средствах и мониторинга сжигания газа в нефтегазовом секторе до автоматизации сортировки отходов на перерабатывающих предприятиях — точность YOLO11 на уровне пикселей делает ее идеальной для сложных задач сегментации.
Благодаря возможностям пользовательской тренировки через Python-пакет Ultralytics и настройке без кода через Ultralytics HUB, пользователи могут легко интегрировать YOLO11 в свои рабочие процессы. Будь то промышленные приложения, здравоохранение, розничная торговля или мониторинг окружающей среды, YOLO11 обеспечивает гибкость и точность для удовлетворения разнообразных потребностей в сегментации.
Чтобы узнать больше, посетите наш репозиторий GitHub и присоединяйтесь к нашему сообществу. Изучите приложения ИИ в самоуправляемых автомобилях и сельском хозяйстве на наших страницах решений. 🚀
.webp)