Glossar

Bildsegmentierung

Entdecken Sie die Leistungsfähigkeit der Bildsegmentierung mit Ultralytics YOLO. Entdecken Sie Präzision auf Pixelebene, Typen, Anwendungen und reale AI-Anwendungsfälle.

Die Bildsegmentierung ist eine grundlegende Aufgabe der Computer Vision (CV), bei der ein digitales Bild in mehrere unterschiedliche Regionen oder Segmente unterteilt wird. Ziel ist es, jedem Pixel eines Bildes eine bestimmte Bezeichnung zuzuweisen und so eine Karte der Objekte und des Hintergrunds auf Pixelebene zu erstellen. Im Gegensatz zu anderen CV-Aufgaben, bei denen die Position eines Objekts mit einem einfachen Kästchen identifiziert werden kann, bietet die Bildsegmentierung ein viel detaillierteres Verständnis, indem sie die genaue Form jedes Objekts umreißt. Diese Detailgenauigkeit ist entscheidend für Anwendungen, die ein tiefes Verständnis der Geometrie und des Aufbaus einer Szene erfordern. Dieser Prozess ist die Grundlage für viele fortgeschrittene KI-Anwendungen.

Arten der Bildsegmentierung

Die Bildsegmentierung kann in drei Haupttypen eingeteilt werden, die jeweils einen anderen Detaillierungsgrad aufweisen und unterschiedlichen Zwecken dienen:

  • Semantische Segmentierung: Bei dieser Technik wird jedes Pixel eines Bildes einer vordefinierten Kategorie zugeordnet, z. B. "Auto", "Straße" oder "Himmel". Alle Instanzen der gleichen Objektklasse werden unter einer einzigen Bezeichnung zusammengefasst. In einem Bild mit mehreren Autos würde die semantische Segmentierung beispielsweise alle Pixel, die zu einem beliebigen Auto gehören, einfach als "Auto" bezeichnen, ohne ein Auto von einem anderen zu unterscheiden.
  • Instanz-Segmentierung: Diese Methode geht bei der Segmentierung noch einen Schritt weiter, indem sie nicht nur jedes Pixel klassifiziert, sondern auch zwischen einzelnen Instanzen der gleichen Klasse unterscheidet. In der gleichen Straßenszene würde die Instanzsegmentierung jedes Auto als einzigartiges Objekt identifizieren und "Auto 1", "Auto 2" usw. eine separate Maske zuweisen. Dies ist besonders nützlich, wenn einzelne Objekte gezählt oder verfolgt werden müssen.
  • Panoptische Segmentierung: Als hybrider Ansatz kombiniert die panoptische Segmentierung die Stärken der semantischen und der Instanzsegmentierung. Sie zielt darauf ab, ein vollständiges und einheitliches Verständnis einer Szene zu schaffen, indem jedem einzelnen Pixel eine Klassenbezeichnung zugewiesen wird (wie bei der semantischen Segmentierung) und gleichzeitig jede Objektinstanz eindeutig identifiziert wird (wie bei der Instanzsegmentierung). Dies ermöglicht die umfassendste verfügbare Szenenanalyse.

Wie sich die Bildsegmentierung von anderen CV-Aufgaben unterscheidet

Es ist wichtig, die Bildsegmentierung von anderen üblichen Computer-Vision-Aufgaben zu unterscheiden:

  • Bildklassifizierung: Konzentriert sich auf die Zuweisung einer einzigen Bezeichnung für ein ganzes Bild (z. B. "dies ist ein Foto von einem Strand"). Es versteht, was auf dem Bild zu sehen ist, aber nicht, wo.
  • Objekt-Erkennung: Identifiziert und lokalisiert Objekte innerhalb eines Bildes, in der Regel durch Zeichnen eines Begrenzungsrahmens um sie herum. Sie sagt Ihnen, welche Objekte vorhanden sind und wo sie sich ungefähr befinden, aber nicht ihre genaue Form.
  • Bildsegmentierung: Bietet die größte Detailgenauigkeit, indem die exakten Grenzen jedes Objekts auf Pixelebene umrissen werden, was ein präzises Verständnis der Objektform und -position ermöglicht.

Anwendungen und Anwendungsfälle

Die detaillierten Ergebnisse der Bildsegmentierung sind in zahlreichen Bereichen von unschätzbarem Wert.

  • Autonome Fahrzeuge: Damit selbstfahrende Autos sicher navigieren können, brauchen sie ein genaues Verständnis ihrer Umgebung. Segmentierungsmodelle erkennen die genauen Grenzen der Straße, Fahrspuren, Fußgänger, andere Fahrzeuge und Hindernisse und ermöglichen so eine bessere Wegplanung und Entscheidungsfindung. Lesen Sie mehr über die Rolle der KI in der Automobilindustrie.
  • Medizinische Bildanalyse: Im Gesundheitswesen wird die Segmentierung zur Analyse medizinischer Scans wie MRT- oder CT-Scans verwendet. Sie kann Tumore, Organe oder Anomalien genau umreißen und hilft Ärzten bei der genauen Diagnose, der Operationsplanung und der Überwachung des Krankheitsverlaufs. Dies ist eine Schlüsselanwendung für Architekturen wie U-Net, die sich in biomedizinischen Kontexten auszeichnen.
  • Analyse von Satellitenbildern: Segmentierungsmodelle verarbeiten Satellitenbilder, um Umweltveränderungen wie Abholzung oder Verstädterung zu überwachen. Sie können die Bodenbedeckung (z. B. Wald, Wasser, städtische Gebiete) klassifizieren und einzelne Objekte wie Gebäude oder Schiffe für die Kartografie und die Informationsbeschaffung erkennen.
  • Fertigung und Robotik: In automatisierten Fabriken hilft die Segmentierung Robotern, bestimmte Teile auf einem Förderband für die Montage zu identifizieren oder Qualitätskontrollen durchzuführen, indem sie Fehler mit hoher Präzision erkennen. Hier erfahren Sie mehr über die Verwendung der Risssegmentierung.

Bildsegmentierung und Ultralytik YOLO

Moderne Deep-Learning-Modelle, insbesondere solche, die auf Convolutional Neural Networks (CNNs) basieren, sind der Standard für die Bildsegmentierung. Die YOLO-Modelle von Ultralytics, darunter YOLOv8 und das neueste YOLO11, bieten leistungsstarke Segmentierungsfunktionen in Echtzeit. Diese Modelle können problemlos auf Standarddatensätzen wie COCO oder auf benutzerdefinierten Datensätzen für spezielle Aufgaben trainiert werden.

Das Ultralytics-Framework vereinfacht den gesamten Arbeitsablauf, vom Training eines Modells über die Validierung seiner Leistung bis hin zum Einsatz für Inferenzen. Für eine praktische Anleitung können Sie Tutorials zur Bildsegmentierung mit YOLO11 auf Google Colab verfolgen oder lernen, wie man segmentierte Objekte isoliert. Tools wie Ultralytics HUB bieten eine no-code Lösung für die Verwaltung von Datensätzen, das Training von Modellen mit Cloud-Ressourcen und deren Einsatz in realen Anwendungen.

Werden Sie Mitglied der Ultralytics-Gemeinschaft

Beteiligen Sie sich an der Zukunft der KI. Vernetzen Sie sich, arbeiten Sie zusammen und wachsen Sie mit globalen Innovatoren

Jetzt beitreten
Link in die Zwischenablage kopiert