Сегментация изображений с помощью Ultralytics YOLO11 на Google Colab

Модели Ultralytics YOLO, такие как новейшая Ultralytics YOLO11, поддерживают широкий спектр задач компьютерного зрения, включая обнаружение объектов, классификацию изображений и сегментацию экземпляров. Каждая из этих задач нацелена на воспроизведение определенных аспектов человеческого зрения, позволяя машинам видеть и интерпретировать окружающий мир.

Например, представь, как ученик на уроке рисования берет карандаш и обводит объект на рисунке. В этот момент его мозг выполняет сегментацию — отделяет объект от фона и других элементов. Сегментация изображений решает похожую задачу с помощью искусственного интеллекта (ИИ), разбивая визуальные данные на значимые части, понятные машине. Эту технику можно использовать в самых разных отраслях.

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

Один из практических примеров — сегментация автозапчастей. Идентифицируя и классифицируя конкретные компоненты автомобиля, сегментация изображений помогает оптимизировать процессы в таких отраслях, как производство автомобилей, ремонт и создание каталогов в электронной коммерции.

В этой статье мы разберем, как использовать Ultralytics YOLO11, Google Colab и набор данных Roboflow Carparts Segmentation, чтобы создать решение, способное точно идентифицировать и сегментировать автозапчасти.

Link to this sectionUltralytics YOLO11 — это просто#

Ultralytics YOLO11 доступна в виде предварительно обученной модели на наборе данных COCO, который охватывает 80 различных классов объектов. Однако для специфических задач, таких как сегментация автозапчастей, модель можно дообучить под твой набор данных и сценарий использования. Такая гибкость позволяет YOLO11 отлично справляться как с общими, так и с узкоспециализированными задачами.

Пользовательское обучение предполагает использование предварительно обученной модели YOLO11 и ее дообучение на новом наборе данных. Предоставляя размеченные примеры, специфичные для твоей задачи, модель учится распознавать и сегментировать объекты, уникальные для твоего проекта. Такое обучение обеспечивает более высокую точность и релевантность по сравнению с использованием стандартных предобученных весов.

Настройка YOLO11 для пользовательского обучения выполняется просто. С минимальными усилиями ты сможешь загрузить модель и датасет, запустить обучение и отслеживать такие метрики, как функция потерь (loss) и точность в процессе работы. YOLO11 также включает встроенные инструменты для валидации и оценки, что упрощает проверку производительности модели.

Link to this sectionЗапуск Ultralytics YOLO11 в Google Colab#

При пользовательском обучении YOLO11 есть несколько вариантов настройки окружения. Один из самых доступных и удобных — Google Colab. Вот несколько преимуществ использования Google Colab для обучения YOLO11:

• Бесплатный доступ к ресурсам: Google Colab предоставляет GPU (графические процессоры) и TPU (тензорные процессоры), что позволяет обучать YOLO11 без необходимости покупать дорогостоящее оборудование.
• Среда для совместной работы: Google Colab помогает делиться ноутбуками, хранить работу в Google Drive и упрощает командную работу благодаря легкому доступу к совместному редактированию и отслеживанию версий.
• Предустановленные библиотеки: Благодаря наличию таких инструментов, как PyTorch и TensorFlow, Google Colab упрощает процесс настройки и помогает быстро приступить к работе.
• Облачная интеграция: Ты можешь легко загружать наборы данных из Google Drive, GitHub или других облачных источников, что упрощает подготовку и хранение данных.

Рис. 2. Ноутбук Google Colab с YOLO11.

Ultralytics также предлагает предварительно настроенный ноутбук для Google Colab, созданный специально для обучения YOLO11. Этот ноутбук включает все необходимое: от обучения модели до оценки производительности, что делает процесс понятным и простым. Это отличная отправная точка, которая позволит тебе сосредоточиться на дообучении модели под конкретные нужды, не беспокоясь о сложных шагах настройки.

Link to this sectionОбзор набора данных Roboflow Carparts Segmentation#

После выбора среды обучения следующим шагом будет сбор данных или подбор подходящего датасета для сегментации автозапчастей. Набор данных Carparts Segmentation Dataset, доступный на Roboflow Universe, поддерживается платформой Roboflow, которая предоставляет инструменты для создания, обучения и развертывания моделей компьютерного зрения. Этот датасет включает 3156 изображений для обучения, 401 для валидации и 276 для тестирования, каждое из которых содержит качественную разметку таких деталей, как бамперы, двери, зеркала и колеса.

Обычно тебе пришлось бы скачивать этот набор данных с Roboflow Universe и вручную готовить его для обучения в Google Colab. Однако Python-пакет Ultralytics упрощает этот процесс, предлагая бесшовную интеграцию и предварительно настроенные инструменты.

Рис. 3. Примеры из набора данных для сегментации автозапчастей.

В Ultralytics набор данных готов к работе через предварительно настроенный YAML-файл, в котором уже указаны пути, метки классов и другие параметры обучения. Это избавляет тебя от рутины настройки, поэтому ты можешь быстро загрузить данные и сразу приступить к обучению. Кроме того, датасет структурирован с разделением на обучающую, валидационную и тестовую выборки, что облегчает мониторинг прогресса и оценку результатов.

Используя набор данных Roboflow Carparts Segmentation вместе с инструментами Ultralytics YOLO11, ты получаешь бесшовный рабочий процесс для эффективного создания моделей сегментации на таких платформах, как Google Colab. Этот подход сокращает время подготовки и позволяет сфокусироваться на уточнении модели для реальных задач.

Link to this sectionРеальное применение сегментации автозапчастей#

Сегментация автозапчастей находит множество практических применений в разных индустриях. Например, в автосервисах она помогает быстро находить и классифицировать поврежденные детали, ускоряя и повышая эффективность ремонта. В страховании модели сегментации могут автоматизировать оценку ущерба, анализируя фотографии поврежденных автомобилей для выявления затронутых деталей. Это ускоряет процесс рассмотрения заявок, снижает число ошибок и экономит время как страховщиков, так и клиентов.

Рис. 4. Сегментация автозапчастей с помощью YOLO.

В производстве сегментация поддерживает контроль качества, позволяя инспектировать запчасти на наличие дефектов, обеспечивая единообразие и снижая количество брака. Эти примеры демонстрируют, как сегментация автозапчастей может трансформировать отрасли, делая процессы безопаснее, быстрее и точнее.

Link to this sectionПошаговое руководство: использование YOLO11 в Google Colab#

Теперь, когда мы разобрали все детали, пришло время собрать все воедино. Для начала посмотри наше видео на YouTube, которое пошагово сопровождает весь процесс настройки, обучения и валидации модели YOLO11 для сегментации автозапчастей.

Вот краткий обзор необходимых шагов:

• Настрой окружение в Google Colab: Включи поддержку GPU и установи Python-пакет Ultralytics, чтобы подготовиться к обучению модели.
• Загрузи модель YOLO11: Начни с предобученной модели сегментации YOLO11, чтобы сэкономить время и воспользоваться уже готовыми возможностями для работы с деталями автомобиля.
• Обучи модель на датасете: Используй файл “carparts-seg.yaml” во время обучения, чтобы автоматически скачать, настроить и использовать набор данных Roboflow Carparts Segmentation. Настрой такие параметры, как количество эпох, размер изображения и размер пакета (batch size), чтобы довести модель до нужного результата.
• Отслеживай прогресс обучения: Следи за ключевыми метриками производительности, такими как потери при сегментации и средняя точность (mAP), чтобы убедиться, что модель улучшается согласно ожиданиям.
• Валидируй и разверни модель: Протестируй обученную модель на валидационной выборке, чтобы подтвердить ее точность, и экспортируй ее для применения в реальных задачах, таких как контроль качества или обработка страховых случаев.

Link to this sectionПреимущества использования YOLO11 для сегментации автозапчастей#

YOLO11 — это надежный и эффективный инструмент для сегментации автозапчастей, обладающий рядом преимуществ, которые делают его идеальным для различных прикладных задач. Вот ключевые плюсы:

• Скорость и эффективность: YOLO11 обрабатывает изображения очень быстро, сохраняя при этом высокую точность, что делает ее подходящей для задач реального времени, таких как контроль качества или использование в беспилотных автомобилях.
• Высокая точность: Модель отлично справляется с обнаружением и сегментацией множества объектов на одном изображении, обеспечивая точную идентификацию автозапчастей.
• Масштабируемость: YOLO11 может работать с большими наборами данных и сложными задачами сегментации, что делает ее пригодной для промышленного применения.
• Множество интеграций: Ultralytics поддерживает интеграцию с такими платформами, как Google Colab, Ultralytics HUB и другими популярными инструментами, что расширяет возможности и доступность для разработчиков.

Link to this sectionСоветы по работе с YOLO11 в Google Colab#

Хотя Google Colab значительно упрощает рабочие процессы в машинном обучении, новичкам может потребоваться время, чтобы освоиться. Навигация по облачным настройкам, параметры среды выполнения и ограничения сессий поначалу могут казаться сложными, но есть несколько советов, которые помогут сделать работу гораздо комфортнее.

Вот несколько моментов, которые стоит учитывать:

• Для ускорения обучения начни с включения графического ускорителя (GPU) в настройках среды выполнения.
• Поскольку Colab работает в облаке, убедись в наличии стабильного интернет-соединения для доступа к данным и репозиториям.
• Организуй свои файлы и наборы данных в Google Drive или GitHub, чтобы их было легко загружать и использовать внутри Colab.
• Если ты столкнешься с нехваткой памяти в бесплатной версии Colab, попробуй уменьшить размер изображений или размер пакета (batch size) при обучении.
• Не забывай регулярно сохранять модель и результаты, так как сессии в Colab имеют ограничение по времени, и тебе вряд ли захочется потерять прогресс.

Link to this sectionДостигай большего с YOLO11#

Ultralytics YOLO11 в сочетании с такими платформами, как Google Colab, и датасетами вроде Roboflow Carparts Segmentation, делает сегментацию изображений простой и доступной. Благодаря интуитивно понятным инструментам, предобученным моделям и легкости настройки, YOLO11 позволяет тебе с легкостью погрузиться в продвинутые задачи компьютерного зрения.

Независимо от того, повышаешь ли ты безопасность дорожного движения, оптимизируешь производство или создаешь инновационные ИИ-приложения, эта комбинация предоставляет инструменты для достижения успеха. С Ultralytics YOLO11 ты не просто создаешь модели — ты прокладываешь путь к более умным и эффективным решениям в реальном мире.

Чтобы узнать больше, загляни в наш репозиторий на GitHub и пообщайся с нашим сообществом. Изучи приложения ИИ в беспилотных автомобилях и компьютерном зрении для сельского хозяйства на наших страницах с решениями. 🚀