Örnek Bölütleme

Örnek segmentasyonu sofistike bir tanımlayan bilgisayarla görme (CV) tekniği, piksel düzeyinde bir görüntü içindeki tek tek nesneleri yerelleştirir ve tanımlar. Aksine nesne tespiti, bir nesnenin dikdörtgen bir sınırlayıcı kutuya sahip konum, örnek segmentasyon, her bir farklı nesnenin tam şeklini özetleyen hassas bir maske oluşturur. Bu ayrıntılı seviye ayrıntı, sistemlerin aynı sınıfın birden fazla örneği arasında ayrım yapmasına olanak tanır - örneğin, örtüşen iki sınıfı ayırmak gibi arabalar veya kalabalıktaki tek tek insanlar-gelişmiş sistemlerde kritik bir bileşen haline getirir yapay zeka (AI) uygulamalar.

İlgili Görevlerden Farkı

Örnek segmentasyonunu tam olarak anlamak için, onu diğer temel segmentasyonlarla karşılaştırmak faydalı olacaktır bilgisayarla görme görevleri:

• Anlamsal Segmentasyon: Bu görev, bir görüntüdeki her pikseli bir kategoriye sınıflandırır (örneğin, "gökyüzü," "yol," "kişi") ancak tek tek nesneler arasında ayrım yapmaz. Nesneye ait tüm pikseller "araba" sınıfı birlikte gruplandırılmıştır, yani bir arabayı diğerinden ayırt edemez.
• Nesne Algılama: Bu görev, nesnelerin varlığını ve konumunu tespit ederek onları sınırlayıcı kutularla çevreler. Ayırt ederken bireysel örnekler arasında (örneğin, Araba A ve Araba B), şekillerini veya sınırlarını yakalamaz.
• Panoptik Segmentasyon: Bu, her iki dünyanın en iyilerini birleştirir, her piksele bir sınıf etiketi atarken (semantik) benzersiz bir şekilde Bireysel nesne örneklerini (instance) tanımlayarak kapsamlı bir sahne anlayışı sağlar.

Örnek segmentasyonu, nesne algılamanın lokalizasyon yeteneklerini piksel seviyesinde etkin bir şekilde birleştirir semantik segmentasyonun hassasiyeti.

Nasıl Çalışır

Örnek segmentasyon modelleri genellikle şunları kullanır derin öğrenme (DL) mimarileri, özellikle Evrişimsel Sinir Ağları (CNN'ler), bir görüntüden özellikler çıkarmak için. Süreç tipik olarak iki paralel adım içerir:

1. Yerelleştirme: Model, her nesne için sınıf ve sınırlayıcı kutu koordinatlarını tahmin eder.
2. Maske Oluşturma: Eş zamanlı olarak model, tespit edilen bölge içinde ikili bir maske öngörür, tam olarak hangi piksellerin nesneye ait olduğunu belirler.

Mask R-CNN gibi ilk yaklaşımlar iki aşamalı bir süreç kullanıyordu, ilk olarak bölge önerileri oluşturmak ve ardından bunları iyileştirmek. Modern mimariler, örneğin Ultralytics YOLO11gerçekleştirerek bu konuda devrim yaratmıştır. tek bir aşamada algılama ve segmentasyon. Bu sayede gerçek zamanlı çıkarım, aşağıdakileri mümkün kılar Canlı video akışlarındaki nesneleri yüksek hız ve doğrulukla segment ayırın.

Gerçek Dünya Uygulamaları

Örnek segmentasyonunun sunduğu hassas sınır tespiti, çeşitli sektörlerde vazgeçilmezdir:

• Tıbbi Görüntü Analizi: Sağlık hizmetlerinde, anomalilerin tam hacmini ve şeklini belirlemek hayati önem taşır. Örnek segmentasyonu aşağıdakiler için kullanılır MRI taramalarında tümörleri tanımlamak veya saymak Mikroskopide tek tek hücreler, hassas teşhis ve tedavi planlamasına yardımcı olur.
• Otonom Araçlar: Sürücüsüz araçlar, karmaşık yol sahnelerini anlamak için bu teknolojiden yararlanır. Gibi veri kümeleri üzerinde eğitim alarak Şehir manzaraları, araçlar sürülebilir yollar arasında ayrım yapabilir yüzeylerde, yayalarda ve diğer araçlarda, kalabalık ortamlarda bile güvenli navigasyon sağlar.
• Hassas Tarım: Çiftçiler mahsul sağlığını izlemek için segmentasyonu kullanıyor. Görüş sistemleri ile donatılmış robotlar, bireysel Hedeflenen herbisit uygulaması için mahsuller arasındaki yabani otlar veya çilek gibi meyveleri hasat etmek için robotik kolları yönlendirmek tam hatlarını tanımak.
• Robotik: Bir robotun çevresiyle etkileşime girmesi için, örneğin bir çöp kutusundan belirli bir nesneyi kavraması gibi, şunları anlaması gerekir nesnenin yönü ve şekli. Örnek segmentasyonu, başarılı segmentasyon için gereken geometrik verileri sağlar. manipülasyon.

Örnek Segmentasyonunun Uygulanması

Geliştiriciler, örnek segmentasyonunu kolayca uygulayabilir ultralytics Python paketi. Kütüphane destekler YOLO11 üzerinde önceden eğitilmiş modeller COCO veri setiiçinden 80 yaygın nesne kategorisini detect edip segment ayırabilen Kutuyu.

Burada bir modelin nasıl yükleneceğine ve bir görüntü üzerinde segmentasyonun nasıl çalıştırılacağına dair kısa bir örnek verilmiştir:

from ultralytics import YOLO

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

# Run inference on an image
# The model predicts classes, boxes, and masks simultaneously
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Visualize the results with masks plotted
results[0].show()

Bunu kendi verilerine uygulamak isteyen kullanıcılar için çerçeve şunları destekler özel veri kümeleri üzerinde eğitim, modelin yeni öğrenmesine izin verir niş uygulamalara özgü sınıflar.