Сегментация изображений с Ultralytics YOLO11 в Google Colab

Модели Ultralytics YOLO, например Ultralytics YOLO11 и ее преемница Ultralytics YOLO26, поддерживают множество задач компьютерного зрения, таких как обнаружение объектов, сегментация экземпляров и классификация изображений. Каждая из этих задач воспроизводит определенный аспект человеческого зрения, позволяя машинам видеть и интерпретировать окружающий мир.

Например, представь, как ученик на уроке рисования берет карандаш и обводит объект на рисунке. При этом его мозг выполняет сегментацию: отделяет объект от фона и других элементов. Сегментация изображений решает похожую задачу с помощью искусственного интеллекта (AI), разделяя визуальные данные на осмысленные части, которые могут обработать машины. Эта методика применяется в самых разных отраслях.

Рис. 1. Пример сегментации объектов на изображении с помощью Ultralytics YOLO11.

Практический пример — сегментация деталей автомобиля. Выявляя и классифицируя отдельные компоненты автомобиля, сегментация изображений помогает оптимизировать процессы в таких сферах, как автомобилестроение, ремонт и создание каталогов электронной торговли.

В этой статье мы рассмотрим, как использовать Ultralytics YOLO11, Google Colab и набор данных Roboflow Carparts Segmentation, чтобы создать решение для точного распознавания и сегментации деталей автомобилей.

Ultralytics YOLO11 проста в использовании#

Ultralytics YOLO11 доступна как предварительно обученная модель на наборе данных COCO, охватывающем 80 классов объектов. Однако для конкретных задач, например сегментации деталей автомобиля, модель можно дообучить на своём наборе данных с учётом особенностей задачи. Благодаря этой гибкости YOLO11 хорошо справляется как с общими, так и с узкоспециализированными задачами.

Дообучение — это использование предварительно обученной модели Ultralytics YOLO11 с ее последующей настройкой на новом датасете. Предоставив размеченные примеры для своей задачи, ты помогаешь модели научиться распознавать и сегментировать объекты, характерные для твоего проекта. Дообучение обычно обеспечивает более высокую точность и релевантность, чем использование универсальных предварительно обученных весов.

Настроить Ultralytics YOLO11 для собственного обучения просто. Минимальной настройки достаточно, чтобы загрузить модель и набор данных, начать обучение и отслеживать такие метрики, как функция потерь и точность. В YOLO11 также есть встроенные инструменты валидации и оценки, которые помогают определить, насколько хорошо работает модель.

Запуск Ultralytics YOLO11 в Google Colab#

Для собственного обучения Ultralytics YOLO11 можно настроить среду несколькими способами. Один из самых доступных и удобных вариантов — Google Colab. Вот несколько преимуществ Google Colab для обучения YOLO11:

• Бесплатный доступ к ресурсам: Google Colab предоставляет графические процессоры (GPUs) и TPU (тензорные процессоры), позволяя обучать Ultralytics YOLO11 без дорогостоящего оборудования.
• Среда для совместной работы: Google Colab помогает делиться ноутбуками, хранить результаты работы в Google Drive и упрощать командную работу благодаря удобному взаимодействию и отслеживанию версий.
• Предустановленные библиотеки: благодаря таким предустановленным инструментам, как PyTorch и TensorFlow, Google Colab упрощает настройку и помогает быстрее приступить к работе.
• Интеграция с облаком: ты можешь легко загружать наборы данных из Google Drive, GitHub и других облачных источников, упрощая подготовку и хранение данных.

Рис. 2. Ноутбук Ultralytics YOLO11 в Google Colab.

Для обучения YOLO11 Ultralytics также предлагает предварительно настроенный ноутбук Google Colab. В нём есть всё необходимое: от обучения модели до оценки её производительности. Благодаря этому процесс становится простым и понятным. Это отличная отправная точка: ты сможешь сосредоточиться на дообучении модели под свои задачи, не тратя время на сложную настройку.

Обзор набора данных Roboflow Carparts Segmentation#

После выбора среды для обучения следующий шаг — собрать данные или выбрать подходящий набор данных для сегментации деталей автомобилей. Набор данных Roboflow Carparts Segmentation Dataset, доступный на Roboflow Universe, поддерживается платформой Roboflow, которая предоставляет инструменты для создания, обучения и развёртывания моделей компьютерного зрения. В наборе 3 156 изображений для обучения, 401 изображение для валидации и 276 изображений для тестирования; все они содержат качественную разметку деталей автомобиля, таких как бамперы, двери, зеркала и колёса.

Обычно датасет приходится скачивать с Roboflow Universe и вручную настраивать для обучения в Google Colab. Однако пакет Ultralytics для Python упрощает этот процесс благодаря встроенной настройке датасетов.

Рис. 3. Примеры из набора данных для сегментации деталей автомобиля.

С Ultralytics набор данных готов к использованию благодаря предварительно настроенному YAML-файлу, в котором указаны пути к данным, метки классов и другие параметры обучения. Это избавляет тебя от необходимости настраивать всё вручную: ты можешь быстро загрузить набор данных и сразу приступить к обучению модели. Кроме того, набор данных разделён на обучающую, валидационную и тестовую выборки, что упрощает отслеживание прогресса и оценку производительности.

Используя датасет Roboflow Carparts Segmentation Dataset вместе с инструментами Ultralytics YOLO11, ты получаешь удобный рабочий процесс для эффективного создания моделей сегментации на таких платформах, как Google Colab. Это сокращает время на настройку и позволяет сосредоточиться на доработке модели для реальных задач.

Практическое применение сегментации деталей автомобиля#

Сегментация деталей автомобиля находит практическое применение в разных отраслях. Например, в автомастерских она помогает быстро выявлять и классифицировать повреждённые детали, ускоряя и упрощая ремонт. В страховании модели сегментации могут автоматизировать оценку страховых случаев, анализируя изображения повреждённых автомобилей и определяя пострадавшие детали. Это ускоряет обработку заявок, сокращает количество ошибок и экономит время как страховщиков, так и клиентов.

Рис. 4. Сегментация деталей автомобиля с помощью YOLO.

В производстве сегментация помогает контролировать качество: выявлять дефекты деталей автомобиля, обеспечивать стабильность качества и сокращать отходы. Эти примеры показывают, как сегментация деталей автомобиля может преобразовать отрасли, делая процессы безопаснее, быстрее и точнее.

Пошаговое руководство: запуск Ultralytics YOLO11 в Google Colab#

Теперь, когда мы рассмотрели все детали, пора собрать их воедино. Для начала посмотри наше видео на YouTube: в нем показан весь процесс настройки, обучения и проверки модели Ultralytics YOLO11 для сегментации автомобильных деталей.

Кратко рассмотрим основные шаги:

• Настройка среды в Google Colab: включи поддержку GPU и установи пакет Ultralytics для Python, чтобы подготовиться к обучению модели.
• Загрузи модель Ultralytics YOLO11: начни с предварительно обученной модели сегментации YOLO11, чтобы сэкономить время и повторно использовать усвоенные признаки для сегментации автомобильных деталей.
• Обучение модели на наборе данных: во время обучения используй файл «carparts-seg.yaml», чтобы автоматически загрузить и настроить набор данных Roboflow Carparts Segmentation, а затем работать с ним. Настрой такие параметры, как число эпох, размер изображения и размер пакета, чтобы дообучить модель.
• Отслеживание хода обучения: следи за ключевыми метриками производительности, например за потерями сегментации и средней точностью (mAP), чтобы убедиться, что модель улучшается ожидаемым образом.
• Проверь и разверни модель: протестируй обученную модель на валидационной выборке, чтобы подтвердить ее точность, и экспортируй ее для реальных приложений, например контроля качества или обработки страховых заявлений.

Преимущества Ultralytics YOLO11 для сегментации деталей автомобиля#

Ultralytics YOLO11 — надёжный и эффективный инструмент для сегментации деталей автомобиля. Вот основные преимущества, благодаря которым он подходит для различных реальных задач:

• Скорость и эффективность: Ultralytics YOLO11 быстро обрабатывает изображения, сохраняя высокую точность. Это делает модель подходящей для задач реального времени, таких как контроль качества и автономное вождение.
• Высокая точность: модель эффективно обнаруживает и сегментирует несколько объектов на одном изображении, точно определяя детали автомобиля.
• Масштабируемость: Ultralytics YOLO11 может работать с большими наборами данных и сложными задачами сегментации, поэтому подходит для промышленного применения.
• Множество интеграций: Ultralytics поддерживает интеграцию с такими платформами, как Google Colab, Ultralytics HUB (теперь Ultralytics Platform) и другими популярными инструментами, расширяя гибкость и доступность для разработчиков.

Советы по работе с Ultralytics YOLO11 в Google Colab#

Google Colab значительно упрощает рабочие процессы машинного обучения, но новичкам может потребоваться время, чтобы освоиться. Поначалу облачная среда, настройки среды выполнения и ограничения сеансов могут показаться сложными, однако несколько советов помогут упростить работу.

Вот несколько рекомендаций:

• Для ускорения обучения сначала включи ускорение GPU в настройках среды выполнения.
• Поскольку Colab работает в облаке, для доступа к ресурсам, таким как наборы данных и репозитории, убедись, что у тебя стабильное подключение к интернету.
• Храни файлы и наборы данных в Google Drive или GitHub, чтобы их было легко загружать и организовывать в Colab.
• Если в бесплатной версии Colab не хватает памяти, попробуй уменьшить размер изображения или размер пакета во время обучения.
• Не забывай регулярно сохранять модель и результаты: у сеансов Colab есть ограничения по времени, и ты не захочешь потерять проделанную работу.

Добивайся большего с Ultralytics YOLO11#

Ultralytics YOLO11 в сочетании с такими платформами, как Google Colab, и наборами данных, такими как набор данных Roboflow Carparts Segmentation, делает сегментацию изображений простой и доступной. Благодаря интуитивно понятным инструментам, предварительно обученным моделям и простой настройке YOLO11 позволяет легко приступить к решению сложных задач компьютерного зрения.

Улучшаешь ли ты безопасность автомобилей, оптимизируешь производство или создаешь инновационные приложения ИИ — это сочетание предоставляет инструменты для достижения успеха. С Ultralytics YOLO11 ты можешь создавать практичные и эффективные решения реальных задач.

Чтобы узнать больше, загляни в наш репозиторий GitHub и присоединяйся к нашему сообществу. На страницах с решениями изучи применение ИИ в беспилотных автомобилях и компьютерном зрении для сельского хозяйства.