Segmentation des instances

Vue d'ensemble

Allant au-delà des méthodes plus simples, la segmentation par instance génère un masque unique pour chaque objet détecté, même si plusieurs objets appartiennent à la même catégorie (comme l'identification séparée de chaque voiture sur une photo de circulation). Ce contour parfait au pixel près permet aux systèmes de comprendre non seulement quels objets sont présents, mais aussi leur forme, leur taille et leur emplacement exacts, en distinguant efficacement les éléments qui se chevauchent. Cette capacité est vitale pour les tâches nécessitant une conscience spatiale précise et une grande exactitude.

Segmentation des instances et tâches connexes

Il est important de distinguer la segmentation des instances des tâches connexes de vision par ordinateur:

• Détection d'objets: Cette tâche identifie les objets et dessine une boîte de délimitation rectangulaire autour de chacun d'eux. Elle t'indique où se trouvent les objets mais pas leur forme exacte.
• Segmentation sémantique: Elle classe chaque pixel d'une image dans une catégorie (par exemple, "voiture", "route", "ciel"). Cependant, elle ne fait pas la différence entre les instances individuelles ; toutes les voitures partageraient la même étiquette "voiture" sans séparation. Tu peux en savoir plus dans ce guide sur la segmentation par instance et la segmentation sémantique.
• Segmentation panoptique: Elle combine la segmentation sémantique et la segmentation par instance, en attribuant à la fois une étiquette de classe et un identifiant d'instance unique à chaque pixel.

La segmentation des instances se concentre spécifiquement sur l'identification et la délimitation d'objets distincts.

Comment fonctionne la segmentation des instances

Les approches traditionnelles, comme le célèbre R-CNN des masques, utilisent souvent un processus en deux étapes : d'abord la détection d'objets avec des boîtes de délimitation, puis la génération de masques à l'intérieur de ces boîtes. Bien que précise, cette méthode peut être très gourmande en ressources informatiques. Les méthodes plus modernes à une seule étape, y compris les variantes de la méthode Ultralytics YOLOprédisent simultanément les boîtes de délimitation et les masques, ce qui permet d'obtenir des performances plus rapides, adaptées à l'inférence en temps réel. Ces modèles sont entraînés sur de grands ensembles de données comme COCO, qui comprennent des annotations de segmentation(COCO Segmentation Dataset).

Applications de la segmentation des instances

Le résultat détaillé de la segmentation des instances est inestimable dans de nombreux domaines :

1. Conduite autonome: La segmentation précise des piétons, des véhicules, des cyclistes et des lignes de voie permet aux voitures autonomes de mieux comprendre leur environnement, de naviguer en toute sécurité dans des scénarios de circulation complexes et de prédire les mouvements avec plus de précision que ne le permettent les seules boîtes englobantes. Les recherches menées par des établissements comme Waymo s'appuient souvent sur la segmentation.
2. Analyse d'images médicales: En radiologie ou en pathologie, la segmentation des instances permet de délimiter avec précision les tumeurs, les organes ou même les cellules individuelles dans les scanners (comme l'IRM ou la tomodensitométrie). Cela aide les médecins à poser des diagnostics, à planifier des traitements (par exemple, la radiothérapie) et à mesurer les changements au fil du temps, ce qui contribue aux progrès de l'IA dans le domaine de la santé. Voir les guides sur l'utilisation de YOLO11 pour la détection des tumeurs.
3. Robotique : Les robots effectuant des tâches telles que la prise et le placement d'articles doivent connaître la forme exacte des objets pour les saisir correctement, en particulier dans les environnements encombrés. La segmentation des instances fournit ces informations cruciales sur la forme(AI in Robotics).
4. Analyse de l'imagerie satellitaire : L'identification et le tracé de bâtiments, de champs ou de plans d'eau individuels à partir d'images satellites ou aériennes facilitent la planification urbaine, la surveillance agricole et l'évaluation environnementale(Techniques d'analyse d'images satellites).

Segmentation des instances et Ultralytics YOLO

Ultralytics fournit des modèles de pointe capables d'effectuer une segmentation d'instance très performante. Des modèles comme Ultralytics YOLOv8 et le plus récent Ultralytics YOLO11 offrent des poids pré-entraînés pour les tâches de segmentation et peuvent être facilement entraînés sur des ensembles de données spécifiques. Tu peux apprendre à utiliser YOLO11 pour la segmentation d'instances ou explorer la segmentation avec des modèles YOLOv8 pré-entraînés. La gestion des ensembles de données, la formation et le déploiement sont simplifiés grâce à Ultralytics HUB. Pour une comparaison détaillée des performances, voir YOLO11 vs YOLOv8. La documentation sur la tâche de segmentation fournit des conseils supplémentaires.