Görüntü Bölütleme

Görüntü segmentasyonu, görüntü segmentasyonunda temel bir tekniktir. bölümlendirmeyi içeren bilgisayarla görme (CV) Dijital bir görüntüyü, genellikle görüntü segmentleri olarak adlandırılan birden fazla piksel alt grubuna ayırır. Birincil hedef şudur Bir görüntünün temsilini basitleştirerek daha anlamlı ve analiz edilmesi daha kolay bir hale getirir. Aksine içindeki nesnelerin yerini belirleyen nesne algılama dikdörtgen sınırlayıcı kutu, görüntü segmentasyonu şunları sağlar Bir nesnenin şeklinin kesin, piksel düzeyinde bir haritası. Bu işlem, görüntüdeki her piksele bir etiket atayarak yapay zeka (AI) modelleri Bir sahne içindeki varlıkların kesin sınırlarını ve konturlarını anlamak.

Piksel Düzeyinde Hassasiyetin Önemi

Birçok modern makine öğrenimi (ML) iş akışında, Bir nesnenin yaklaşık konumunu bilmek yetersizdir. Fiziksel ortamla etkileşim gerektiren uygulamalar Bir paketi kavrayan bir robot veya virajlı bir yolda seyreden bir araba gibi dünya, aşağıdakilerin ayrıntılı bir şekilde anlaşılmasını gerektirir geometri. Görüntü segmentasyonu, ham görsel verileri bir dizi sınıflandırılmış bölgeye dönüştürerek bu boşluğu doldurur. Bu yeteneği, gelişmiş derin öğrenme (DL) mimarileri, özellikle Evrişimsel Sinir Ağları (CNN'ler), ön plandaki nesneler ile arka plan arasında ayrım yapmak için uzamsal özellikler çıkarır.

Görüntü Bölütleme Türleri

Özel segmentasyon görevini anlamak, doğru model mimarisini seçmek için çok önemlidir. Üç birincil kategorilerdir:

• Anlamsal Segmentasyon: Bu yöntem, aynı kategorideki birden fazla nesneyi tek bir varlık olarak ele alır. Örneğin, bir sokak sahnesinde, tüm "yol "a ait pikseller gri renkte ve "araba "ya ait tüm pikseller mavi renktedir. İki farklı araba arasında ayrım yapmaz; sadece ikisinin de araç olduğunu belirler. Bu yaklaşım genellikle U-Net gibi mimariler kullanılarak uygulanmaktadır, başlangıçta biyomedikal görüntü segmentasyonu için geliştirilmiştir.
• Örnek Segmentasyonu: Bu teknik, farklı nesneleri tek tek tanımlayarak bir adım daha ileri gider. Bir görüntüde beş araba varsa, örnek segmentasyonu beş ayrı maske oluşturarak sistemin her bir aracı saymasına ve track olanak tanıyacaktır bağımsız olarak. Bu, aşağıdakiler tarafından gerçekleştirilen birincil görevdir Ultralytics YOLO11 dengeleyen segmentasyon modelleri gerçek zamanlı uygulamalar için hız ve doğruluk.
• Panoptik Segmentasyon: A semantik ve örnek segmentasyonunu birleştiren hibrit bir yaklaşımdır. Aşağıdakiler aracılığıyla kapsamlı bir sahne anlayışı sağlar Her piksele (gökyüzü ve yol gibi arka plan öğeleri) bir sınıf etiketi atarken, sayılabilir öğeleri benzersiz bir şekilde tanımlama nesneler (insanlar ve arabalar gibi şeyler).

Gerçek Dünya Uygulamaları

Kesin sınırlar belirleme yeteneği, segmentasyonu çeşitli sektörlerde vazgeçilmez kılmaktadır:

• Tıbbi Görüntü Analizi: Segmentasyon, sağlık hizmetlerinde aşağıdaki gibi taramaları analiz etmek için kritik öneme sahiptir MRI veya BT görüntüler. Yapay zeka modelleri tümörleri, organları veya lezyonları hassas bir şekilde özetleyerek radyologlara tanı ve cerrahi müdahalelerde yardımcı olur. planlama. Örneğin, bir beyin tümörünün tam hacminin belirlenmesi, daha hedefli radyasyon tedavisine olanak tanır, Sağlıklı dokulara verilen zararı en aza indirir.
• Otonom Araçlar: Sürücüsüz araçlar güvenli bir şekilde yol almak için büyük ölçüde segmentasyona güvenir. Modeller, sürülebilir alanları belirlemek için video akışlarını işler. şeritler, kaldırımlar, yayalar ve engeller. gibi kuruluşlar SAE International bu ayrıntıyı gerektiren otonomi seviyelerini tanımlar anlık kararlar vermek için çevresel algı.
• Hassas Tarım: İçinde Tarımda yapay zeka, segmentasyona yardımcı olur mahsul sağlığının izlenmesi. Multispektral kameralarla donatılmış dronlar, yabani ot istilasını belirlemek için tarlaları segment abilir veya besin eksikliklerini yaprak bazında tespit ederek hedefe yönelik herbisit uygulamasına olanak sağlar.

YOLO ile Teknik Uygulama

Modern çerçeveler segmentasyon görevlerinin uygulanmasını basitleştirmiştir. gibi eski iki aşamalı dedektörler olsa da Maske R-CNN doğru ancak yavaştı, tek aşamalı modeller sunarak bu alanda devrim yarattı gerçek zamanlı çıkarım. Bu Ultralytics YOLO11 modeli, örneğin, örnek segmentasyonunu yerel olarak destekler. İleriye bakıyoruz, YOLO26 bunları daha da optimize etmek için geliştirilmektedir uçtan uca işleme ile yetenekler.

Geliştiriciler aşağıdaki gibi standart kütüphaneleri kullanabilir OpenCV ön işleme için ve görselleştirmeyi kullanırken PyTorch ağır yüklerin kaldırılması için model çıkarımı.

İşte Python'da önceden eğitilmiş bir YOLO11 modeli kullanarak örnek segmentasyonunun nasıl gerçekleştirileceğine dair kısa bir örnek:

from ultralytics import YOLO

# Load a pre-trained YOLO11 segmentation model
model = YOLO("yolo11n-seg.pt")

# Run inference on an image (can be a local path or URL)
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting image with segmentation masks overlaid
results[0].show()

Bu kod parçacığı, özellik çıkarma, sınırlayıcı kutu regresyonu ve maske gibi karmaşık görevleri otomatik olarak gerçekleştirir nesil, geliştiricilerin entegre etmeye odaklanmasına izin verir segmentasyon sonuçlarını daha büyük uygulamalar.