Image Segmentation
Изучи сегментацию изображений в компьютерном зрении. Узнай, как Ultralytics YOLO26 создаёт точные маски на уровне пикселей для экземплярной, семантической и паноптической сегментации.
Сегментация изображений — это сложная технология в области компьютерного зрения (CV), которая предусматривает разделение цифрового изображения на несколько подмножеств пикселей, часто называемых сегментами или областями изображения. В отличие от стандартной классификации изображений, которая присваивает всему изображению одну метку, сегментация анализирует визуальные данные на гораздо более детальном уровне, присваивая определённую метку класса каждому отдельному пикселю. В результате создаётся точная карта на уровне пикселей, благодаря чему модели искусственного интеллекта (AI) понимают не только то, какие объекты присутствуют, но и где именно они расположены и каковы их точные границы.
Механика анализа на уровне пикселей#
Чтобы добиться такого детального понимания, модели сегментации обычно используют архитектуры глубокого обучения (DL), особенно свёрточные нейронные сети (CNNs). Эти сети выступают в роли мощных экстракторов признаков, выявляя такие закономерности, как границы, текстуры и сложные формы. В традиционных архитектурах сегментации, например в классической U-Net, часто применяется структура из энкодера и декодера. Энкодер сжимает входное изображение, чтобы выделить семантический контекст, а декодер восстанавливает пространственные детали и формирует итоговую маску сегментации.
Современные достижения привели к появлению архитектур реального времени, таких как YOLO26, выпущенный в январе 2026 года. Эти модели интегрируют возможности сегментации непосредственно в сквозной конвейер, обеспечивая высокоскоростную обработку на различном оборудовании — от облачных GPU до периферийных устройств.
Основные типы сегментации#
В зависимости от конкретной цели проекта разработчики обычно выбирают один из трёх основных методов сегментации:
- Семантическая сегментация: Этот метод классифицирует пиксели по категориям, но не различает отдельные объекты одного класса. Например, при анализе спутниковых изображений все пиксели, представляющие «лес», будут окрашены в зелёный цвет, то есть весь лес будет рассматриваться как единый объект.
- Сегментация экземпляров: Этот метод выявляет и разделяет отдельные интересующие объекты. На оживлённой улице сегментация экземпляров создаст отдельные маски для «автомобиля A», «автомобиля B» и «пешехода A», что позволит системам подсчитывать и отслеживать конкретные объекты. Это ключевая возможность семейства моделей Ultralytics YOLO26.
- Паноптическая сегментация: Гибридный подход, объединяющий охват семантической сегментации с точностью сегментации экземпляров. Он присваивает метку каждому пикселю, различая бесформенные элементы фона, такие как небо и дорога, и одновременно уникально идентифицируя подсчитываемые объекты переднего плана.
Отличие от детекции объектов#
Важно отличать сегментацию от детекции объектов. Если алгоритмы детекции локализуют объекты с помощью прямоугольного ограничивающего блока, в этот блок неизбежно попадают пиксели фона. Сегментация обеспечивает более точное представление, обводя точный контур или полигон объекта. Это различие особенно важно для таких приложений, как захват объектов роботом, где роботизированному манипулятору необходимо знать точную геометрию объекта, чтобы перемещать его без столкновений.
Практические применения#
Точность, которую обеспечивает сегментация изображений, стимулирует инновации в самых разных отраслях:
- Медицинская диагностика: В области анализа медицинских изображений сегментация необходима для выделения анатомических структур. Алгоритмы анализируют МРТ-сканы, чтобы обозначить границы опухолей или органов, что позволяет хирургам рассчитывать точные объёмы и планировать процедуры с жизненно важной точностью.
- Автономное вождение: Беспилотные автомобили используют сегментацию для безопасной навигации. Обрабатывая видеопотоки, компьютер автомобиля может отличать полосы, пригодные для движения, от тротуаров и препятствий. Такие организации, как SAE International, определяют уровни автономности, требующие детального восприятия окружающей среды.
- Точное сельское хозяйство: В области AI в сельском хозяйстве сегментация помогает роботизированным системам выявлять сорняки среди сельскохозяйственных культур. Создавая маски для листьев конкретных растений, автоматические опрыскиватели могут обрабатывать только инвазивные виды, значительно сокращая использование гербицидов.
Реализация сегментации с помощью Ultralytics YOLO26#
Разработчики могут эффективно реализовать сегментацию экземпляров с помощью пакета ultralytics для Python. В следующем примере используется современная модель YOLO26, оптимизированная одновременно для высокой скорости и точности.
from ultralytics import YOLO
# Load a pre-trained YOLO26 segmentation model
# 'n' denotes the nano version, optimized for speed
model = YOLO("yolo26n-seg.pt")
# Run inference on an image to generate masks
# The model identifies objects and outlines their shape
results = model("https://ultralytics.com/images/bus.jpg")
# Display the image with segmentation overlays
results[0].show()Чтобы добиться высокой производительности на пользовательских задачах, командам часто нужно подготовить качественные данные для обучения. Ultralytics Platform упрощает этот процесс, предоставляя инструменты для аннотирования изображений полигональными масками, управления наборами данных и обучения моделей в облаке, оптимизируя весь жизненный цикл операций машинного обучения (MLOps). Библиотеки, такие как OpenCV, также часто используются вместе с этими моделями для предварительной обработки изображений и последующей обработки полученных масок.
