5 ноября 2024 г.
Узнайте, как новая модель Ultralytics YOLO11 может быть использована для сегментации экземпляров с целью достижения более высокой точности в таких областях, как утилизация отходов и мониторинг факелов.
Компьютерное зрение, область искусственного интеллекта (ИИ), помогающая машинам интерпретировать и понимать визуальную информацию, позволяет решать такие задачи, как сегментация объектов. Сегментация экземпляров может использоваться для анализа изображения или видеокадра с целью определения точных границ каждого отдельного объекта на изображении, даже если на нем присутствует несколько объектов одного типа. Благодаря высокой точности сегментация экземпляров находит широкое применение: от помощи самодвижущимся автомобилям detect препятствий на дороге до идентификации опухолей на медицинских снимках.
За прошедшие годы сегментация инстанций претерпела значительные изменения. Недавняя разработка была представлена на ежегодном гибридном мероприятии Ultralytics YOLO Vision 2024 (YV24) в виде Ultralytics YOLO11 модель. Новая модель поддерживает те же задачи компьютерного зрения (включая сегментацию экземпляров), что и Ultralytics YOLOv8 поэтому пользователи, знакомые с предыдущими версиями, могут без проблем использовать новую модель.
В этой статье мы рассмотрим сегментацию экземпляров и ее отличие от других задач компьютерного зрения, таких как семантическая сегментация, а также обсудим некоторые из ее применений. Мы также рассмотрим, как можно использовать модель сегментации экземпляров YOLO11 с помощью пакетаUltralytics Python и платформы Ultralytics HUB. Давайте 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 модель сегментации экземпляров также имеет несколько вариаций в зависимости от ваших потребностей. К ним относятся 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 требуемой вычислительной мощности. Исходя из ваших конкретных требований, вы можете выбрать модель, которая лучше всего подходит для вашей задачи.
Расширенные возможности сегментации экземпляров в YOLO11 открывают широкие возможности применения в различных отраслях. Давайте подробнее рассмотрим некоторые из них.
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.
Моделисегментации экземпляров Ultralytics YOLO11 можно использовать для мониторинга количества огня и дыма, вызванного факельным горением. Можно рассчитать площадь пикселя обнаруженного и сегментированного факела и дыма. Используя эту информацию, операторы могут в режиме реального времени получить представление о количестве факелов и дыма, вызванных факельным горением, что поможет им предотвратить аварии и негативное воздействие на окружающую среду.
Работники предприятий по утилизации и переработке отходов могут использовать системы YOLO11 , основанные на сегментации, для идентификации пластиковых отходов. YOLO11 можно интегрировать с роботизированными сортировочными системами для точной идентификации различных отходов, например картона и пластика (подлежащих раздельной переработке). Это особенно важно, учитывая, что из 7 миллиардов тонн пластиковых отходов, образующихся во всем мире, только около 10 % попадает на переработку.
Автоматизация процесса идентификации и сортировки пластиковых отходов значительно сокращает время по сравнению с традиционными методами, когда работники сортируют предметы вручную. Модели компьютерного зрения могут segment даже мягкие пластики, такие как обертки и пакеты, которые представляют особую сложность, поскольку часто запутываются. МоделиYOLO11 также могут быть настроены на segment различных типов пластика. Подробнее о том, как можно настраивать модели YOLO11 , мы расскажем в следующих разделах.
Еще один интересный случай использования сегментации экземпляров - автономные автомобили. YOLO11 позволяет самоуправляемым автомобилям повысить безопасность пассажиров и окружающих на дороге за счет точного распознавания объектов на уровне пикселей. Бортовая система камер автомобиля может захватывать изображения окружающего пространства и анализировать их с помощью YOLO11 и сегментации экземпляров. Каждый объект (пешеходы, светофоры, другие автомобили и т. д.) на изображении сегментируется, и ему присваивается метка. Такой уровень точности позволяет автономным автомобилям идентифицировать каждый объект вокруг себя.
Теперь, когда мы изучили сегментацию экземпляров и обсудили некоторые из ее применений, давайте посмотрим, как вы можете опробовать ее на примере модели Ultralytics YOLO11 .
Есть два способа сделать это: вы можете использовать либо пакет Ultralytics Python , либо Ultralytics HUB. Мы рассмотрим оба варианта, начав с пакета Python .
Выполнение вывода предполагает использование модели для анализа новых, ранее не встречавшихся данных. Чтобы запустить вывод с помощью модели сегментации экземпляров YOLO11 через код, нам нужно установить пакетUltralytics Python с помощью pip, conda или docker. Если во время установки возникнут какие-либо проблемы, вы можете обратиться к нашему руководству по общим проблемам, чтобы получить помощь в устранении неполадок. После установки пакета вы можете запустить код, показанный ниже, чтобы загрузить модель сегментации экземпляров YOLO11 и выполнить прогнозирование на изображении.
С помощью той же настройки кода вы можете обучить пользовательскую модель YOLO11 . Тонкая настройка модели YOLO11 позволяет создать пользовательскую версию модели, которая лучше отвечает требованиям вашего конкретного проекта. Например, ритейлеры могут использовать пользовательскую модель для точного segment физических характеристик покупателя, чтобы рекомендовать одежду, которая сидит правильно. В приведенном ниже фрагменте кода показано, как загрузить и обучить модель YOLO11 для сегментации экземпляров. Вы можете начать с конфигурации YAML или предварительно обученной модели, передать веса и провести обучение на наборе данных, например COCO, чтобы добиться 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, как делать выводы и обучать модель 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 выполнить прогнозирование на изображениях, достаточно создать учетную запись, перейти в раздел "Модели" и выбрать нужный вариант модели сегментации экземпляров YOLO11 . Вы можете загрузить изображение и просмотреть результаты предсказания в разделе предварительного просмотра, как показано ниже.
YOLO11 предлагает надежные возможности сегментации экземпляров, которые открывают мир возможностей в различных отраслях промышленности. От повышения безопасности автономных транспортных средств и мониторинга сжигания газа в нефтегазовом секторе до автоматизации сортировки отходов на перерабатывающих предприятиях - точность на уровне пикселей делает YOLO11идеальным решением сложных задач сегментации.
Благодаря возможности индивидуального обучения с помощью пакета Ultralytics Python и настройке без кода с помощью 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 различных 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. 🚀
