Сегментация изображений с Ultralytics YOLO11 в Google Colab

Модели Ultralytics YOLO, например последняя Ultralytics YOLO11, поддерживают различные задачи компьютерного зрения, такие как обнаружение объектов, классификация изображений и сегментация экземпляров. Каждая из этих задач направлена на воспроизведение определённого аспекта человеческого зрения, благодаря чему машины могут видеть и интерпретировать окружающий мир.

Например, представь, как ученик на уроке рисования берёт карандаш и обводит объект на рисунке. За кулисами его мозг выполняет сегментацию — отделяет объект от фона и других элементов. Сегментация изображений решает аналогичную задачу с помощью искусственного интеллекта (AI), разделяя визуальные данные на осмысленные части, которые машины могут понимать. Эта технология применяется в самых разных отраслях.

Рис. 1. Ultralytics YOLO11 используется для сегментации объектов на изображении.

Практический пример — сегментация деталей автомобилей. Выявляя и классифицируя отдельные компоненты автомобиля, сегментация изображений позволяет оптимизировать процессы в таких сферах, как автомобилестроение, ремонт и формирование каталогов в электронной торговле.

В этой статье мы рассмотрим, как с помощью Ultralytics YOLO11, Google Colab и набора данных Roboflow Carparts Segmentation создать решение, способное точно обнаруживать и сегментировать детали автомобилей.

Ultralytics YOLO11 прост в использовании#

Ultralytics YOLO11 доступен как предварительно обученная модель, обученная на наборе данных COCO, который охватывает 80 различных классов объектов. Однако для конкретных задач, например сегментации деталей автомобилей, модель можно дообучить на пользовательских данных, чтобы лучше адаптировать её к твоему набору данных и сценарию использования. Благодаря этой гибкости YOLO11 хорошо справляется как с универсальными, так и с узкоспециализированными задачами.

Пользовательское обучение подразумевает использование предварительно обученной модели Ultralytics YOLO11 и её дообучение на новом наборе данных. Предоставляя размеченные примеры, относящиеся к твоей задаче, ты обучаешь модель распознавать и сегментировать объекты, уникальные для твоего проекта. Пользовательское обучение обеспечивает более высокую точность и релевантность по сравнению с использованием универсальных предварительно обученных весов.

Настроить Ultralytics YOLO11 для пользовательского обучения очень просто. После минимальной настройки ты можешь загрузить модель и набор данных, начать обучение и отслеживать такие метрики, как потери и точность. YOLO11 также включает встроенные инструменты для валидации и оценки, благодаря чему проще понять, насколько хорошо работает твоя модель.

Запуск Ultralytics YOLO11 в Google Colab#

При пользовательском обучении Ultralytics YOLO11 есть несколько вариантов настройки среды. Один из самых доступных и удобных — Google Colab. Вот некоторые преимущества использования Google Colab для обучения YOLO11:

• Бесплатный доступ к ресурсам: Google Colab предоставляет графические процессоры (GPUs) и тензорные процессоры (TPUs), позволяя обучать Ultralytics YOLO11 без дорогостоящего оборудования.
• Среда для совместной работы: Google Colab помогает делиться ноутбуками, хранить рабочие материалы на Google Drive и упрощать командную работу благодаря удобному совместному редактированию и отслеживанию версий.
• Предустановленные библиотеки: Благодаря таким предустановленным инструментам, как PyTorch и TensorFlow, Google Colab упрощает процесс настройки и помогает быстро начать работу.
• 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.

Ultralytics также предлагает предварительно настроенный ноутбук Google Colab, специально предназначенный для обучения YOLO11. В этом ноутбуке есть всё необходимое — от обучения модели до оценки её производительности, — поэтому процесс становится простым и понятным. Это отличная отправная точка: ты можешь сосредоточиться на дообучении модели под свои задачи, не беспокоясь о сложных этапах настройки.

Обзор набора данных Roboflow Carparts Segmentation#

После выбора среды обучения следующий шаг — собрать данные или выбрать подходящий набор данных для сегментации деталей автомобилей. Набор данных Carparts Segmentation от Roboflow, доступный в Roboflow Universe, поддерживается компанией Roboflow — платформой с инструментами для создания, обучения и развёртывания моделей компьютерного зрения. Этот набор данных включает 3 156 обучающих изображений, 401 изображение для валидации и 276 тестовых изображений — все с высококачественной разметкой таких деталей автомобилей, как бамперы, двери, зеркала и колёса.

Обычно набор данных нужно скачать из Roboflow Universe и вручную подготовить для обучения в Google Colab. Однако пакет Ultralytics для Python упрощает этот процесс благодаря бесшовной интеграции и предварительно настроенным инструментам.

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

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

Используя набор данных Roboflow Carparts Segmentation вместе с инструментами Ultralytics YOLO11, ты получаешь удобный рабочий процесс для эффективного создания моделей сегментации на таких платформах, как Google Colab. Такой подход сокращает время настройки и позволяет сосредоточиться на совершенствовании модели для реальных приложений.

Практическое применение сегментации деталей автомобилей#

Сегментация деталей автомобилей имеет множество практических применений в различных отраслях. Например, в ремонтных мастерских она помогает быстро выявлять и классифицировать повреждённые компоненты, ускоряя и повышая эффективность ремонта. Аналогично в страховой отрасли модели сегментации могут автоматизировать оценку страховых случаев, анализируя изображения повреждённых автомобилей и выявляя пострадавшие детали. Это ускоряет обработку заявлений, снижает количество ошибок и экономит время страховщиков и клиентов.

Рис. 4. Сегментация деталей автомобилей с помощью YOLO.

В производстве сегментация поддерживает контроль качества, выявляя дефекты деталей автомобилей, обеспечивая стабильность и сокращая количество отходов. Эти примеры показывают, как сегментация деталей автомобилей может преобразить отрасли, сделав процессы безопаснее, быстрее и точнее.

Пошаговое руководство: использование Ultralytics YOLO11 в Google Colab#

Теперь, когда мы рассмотрели все детали, пора объединить их в единый процесс. Для начала можешь посмотреть наше видео на YouTube, в котором показаны все этапы настройки, обучения и валидации модели Ultralytics YOLO11 для сегментации деталей автомобилей.

Краткий обзор необходимых шагов:

• Настрой среду 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 YOLO11 для сегментации, чтобы сэкономить время и использовать уже реализованные возможности для сегментации деталей автомобилей.
• Обучи модель на наборе данных: во время обучения используй файл “carparts-seg.yaml”, чтобы автоматически скачать, настроить и использовать набор данных Roboflow Carparts Segmentation. Настрой такие параметры, как количество эпох, размер изображения и размер пакета, чтобы дообучить модель.
• Отслеживай прогресс обучения: контролируй ключевые метрики производительности, такие как потери сегментации и средняя точность (mAP), чтобы убедиться, что модель совершенствуется ожидаемым образом.
• Проверь и разверни модель: протестируй обученную модель на валидационной выборке, чтобы подтвердить её точность, и экспортируй её для реальных приложений, таких как контроль качества или обработка страховых заявлений.

Преимущества использования Ultralytics YOLO11 для сегментации деталей автомобилей#

Ultralytics YOLO11 — надёжный и эффективный инструмент для сегментации деталей автомобилей, предлагающий ряд преимуществ для различных реальных приложений. Вот основные из них:

• Скорость и эффективность: Ultralytics YOLO11 быстро обрабатывает изображения, сохраняя высокую точность, поэтому подходит для задач реального времени, таких как контроль качества и управление автономными транспортными средствами.
• Высокая точность: модель эффективно обнаруживает и сегментирует несколько объектов на одном изображении, обеспечивая точную идентификацию деталей автомобилей.
• Масштабируемость: Ultralytics YOLO11 может работать с большими наборами данных и сложными задачами сегментации, поэтому подходит для масштабирования в промышленных приложениях.
• Множество интеграций: Ultralytics поддерживает интеграции с такими платформами, как Google Colab, Ultralytics HUB и другими популярными инструментами, повышая гибкость и доступность для разработчиков.

Советы по работе с Ultralytics YOLO11 в Google Colab#

Хотя Google Colab значительно упрощает рабочие процессы машинного обучения, новичкам может потребоваться время, чтобы к нему привыкнуть. Поначалу работа с облачной настройкой, параметрами среды выполнения и ограничениями сеансов может показаться сложной, но несколько советов помогут сделать этот процесс намного удобнее.

Вот несколько моментов, которые стоит учитывать:

• Начни с включения ускорения GPU в настройках среды выполнения, чтобы ускорить обучение.
• Поскольку Colab работает в облаке, убедись, что у тебя стабильное интернет-соединение для доступа к таким ресурсам, как наборы данных и репозитории.
• Организуй файлы и наборы данных в Google Drive или GitHub, чтобы их было легко загружать и использовать в Colab.
• Если ты столкнёшься с ограничениями памяти в бесплатном тарифе Colab, попробуй уменьшить размер изображения или размер пакета во время обучения.
• Не забывай регулярно сохранять модель и результаты, поскольку сеансы Colab ограничены по времени и ты не захочешь потерять достигнутый прогресс.

Добивайся большего с Ultralytics YOLO11#

Ultralytics YOLO11 в сочетании с такими платформами, как Google Colab, и наборами данных, такими как 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.

Будь то повышение безопасности автомобилей, оптимизация производства или создание инновационных AI-приложений, это сочетание предоставляет инструменты, которые помогут тебе добиться успеха. С Ultralytics YOLO11 ты не просто создаёшь модели — ты прокладываешь путь к более интеллектуальным и эффективным решениям для реального мира.

Чтобы узнать больше, загляни в наш репозиторий на GitHub и присоединяйся к нашему сообществу. Изучи приложения AI в беспилотных автомобилях и компьютерное зрение в сельском хозяйстве на страницах наших решений. 🚀