Scopri come il nuovo modello Ultralytics YOLO11 può essere utilizzato per la segmentazione dei casi per ottenere una maggiore precisione in applicazioni come la gestione dei rifiuti e il monitoraggio delle torce.
La computer vision, un campo dell'intelligenza artificiale (AI) che aiuta le macchine a interpretare e comprendere le informazioni visive, consente di svolgere attività come la segmentazione delle istanze. La segmentazione delle istanze può essere utilizzata per analizzare un'immagine o un fotogramma video per marcare i confini esatti di ogni oggetto distinto nell'immagine, anche quando sono presenti più oggetti dello stesso tipo. Grazie al suo alto livello di precisione, la segmentazione delle istanze ha un'ampia gamma di applicazioni, dall'aiutare le auto a guida autonoma a rilevare gli ostacoli sulla strada all'identificare i tumori nelle scansioni mediche.
Nel corso degli anni, la segmentazione delle istanze si è evoluta in modo significativo. Un recente sviluppo è stato introdotto durante l'evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24), sotto forma del modello Ultralytics YOLO11. Il nuovo modello supporta le stesse attività di visione artificiale (compresa la segmentazione delle istanze) del modello YOLO11. Ultralytics YOLOv8 modello, quindi gli utenti che hanno familiarità con le versioni precedenti possono adottare il nuovo modello senza problemi.
In questo articolo esploreremo la segmentazione delle istanze e come si differenzia da altri compiti di computer vision come la segmentazione semantica, oltre a discutere alcune delle sue applicazioni. Inoltre, ti spiegheremo come utilizzare il modello di segmentazione delle istanze YOLO11 utilizzando il pacchettoUltralytics Python e la piattaforma Ultralytics HUB. Iniziamo!
La segmentazione delle istanze può essere utilizzata per identificare gli oggetti in un'immagine e delinearli a livello di pixel. Il processo prevede innanzitutto l'individuazione degli oggetti e il disegno di riquadri di delimitazione attorno ad essi. Poi, un algoritmo di segmentazione classifica ogni pixel all'interno del rettangolo di selezione per creare una maschera precisa per ogni oggetto.
La segmentazione delle istanze è anche diversa da compiti come la segmentazione semantica e la segmentazione panottica. La segmentazione semantica etichetta ogni pixel in base alla categoria generale di un oggetto, senza distinguere le singole istanze. La segmentazione panottica, invece, combina sia la segmentazione delle istanze che quella semantica etichettando ogni pixel con un ID sia di classe che di istanza, identificando i singoli oggetti all'interno di ogni categoria.
Le funzionalità di segmentazione delle istanze possono essere applicate in vari scenari che possono richiedere modelli diversi. Ad esempio, un modello leggero potrebbe essere ideale per l'elaborazione in tempo reale nelle applicazioni mobili, mentre un modello più complesso potrebbe essere utilizzato per attività di alta precisione come il controllo qualità nella produzione.
Come i modelli precedenti, anche il modello di segmentazione delle istanze YOLO11 è disponibile in diverse varianti a seconda delle tue esigenze. Queste varianti includono YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) e YOLO11x-seg (Extra Large). Questi modelli variano in termini di dimensioni, velocità di elaborazione, precisione e potenza di calcolo richiesta. In base alle tue esigenze specifiche, puoi scegliere il modello più adatto alla tua applicazione.
Le funzionalità avanzate di segmentazione delle istanze di YOLO11 aprono una serie di applicazioni in diversi settori. Vediamo nel dettaglio alcune di queste applicazioni.
L'estrazione di petrolio e gas comporta la gestione di fluttuazioni di pressione estremamente elevate. Tecniche come il gas flaring aiutano a bruciare il gas naturale prodotto durante l'estrazione del petrolio. È necessario per ragioni di sicurezza. Ad esempio, nell'estrazione del petrolio greggio, un'improvvisa o significativa impennata della pressione potrebbe portare a un'esplosione. Anche se non è frequente, gli incidenti industriali nel settore della produzione di petrolio e gas possono provocare incendi intensi e difficili da contenere e controllare. Il gas flaring aiuta gli operatori a depressurizzare in modo sicuro le attrezzature e a gestire le imprevedibili e forti fluttuazioni di pressione bruciando il gas in eccesso.
I sistemi di intelligenza artificiale possono migliorare questo processo di monitoraggio e il rischio di incidenti può essere ridotto utilizzando un sistema di monitoraggio delle torce basato sulla segmentazione delle istanze. Il monitoraggio del gas flaring è importante anche per motivi ambientali, poiché un'eccessiva quantità di gas flaring può avere un impatto negativo sull'ambiente.
Ultralytics I modelli di segmentazione delle istanze di YOLO11 possono essere utilizzati per monitorare la quantità di fuoco e fumo causata dal flaring. È possibile calcolare l'area in pixel dei bagliori e dei fumi rilevati e segmentati. Grazie a queste informazioni, gli operatori possono conoscere in tempo reale i bagliori e i fumi causati dal flaring, aiutandoli a prevenire incidenti e impatti ambientali negativi.
Gli operatori degli impianti di gestione dei rifiuti e di riciclaggio possono utilizzare i sistemi basati sulla segmentazione di YOLO11 per identificare i materiali di scarto in plastica. YOLO11 può essere integrato con sistemi di smistamento robotizzati per identificare con precisione diversi materiali di scarto, come cartone e plastica (da trattare separatamente). È particolarmente importante se si considera che dei 7 miliardi di tonnellate di rifiuti in plastica generati a livello globale, solo il 10% circa viene riciclato.
L'automatizzazione dell'identificazione e dello smistamento dei rifiuti in plastica riduce significativamente il tempo necessario rispetto ai metodi tradizionali, in cui gli operatori smistano gli articoli a mano. I modelli di visione computerizzata sono in grado di segmentare anche le plastiche morbide, come gli involucri e i sacchetti, che sono particolarmente impegnativi perché spesso si aggrovigliano. I modelli YOLO11 possono anche essere addestrati in modo personalizzato per segmentare diversi tipi di plastica. Nelle sezioni successive scopriremo come addestrare un modello YOLO11 in modo personalizzato.
Un altro caso d'uso interessante della segmentazione delle istanze è quello delle auto autonome. YOLO11 consente alle auto a guida autonoma di migliorare la sicurezza dei passeggeri e degli altri utenti della strada riconoscendo accuratamente gli oggetti a livello di pixel. Il sistema di telecamere a bordo dell'auto può acquisire immagini dell'ambiente circostante e analizzarle utilizzando YOLO11 e la segmentazione delle istanze. Ogni oggetto (pedoni, semafori, altri veicoli, ecc.) all'interno dell'immagine viene segmentato e gli viene assegnata un'etichetta. Un tale livello di precisione consente alle auto autonome di identificare ogni singolo oggetto che le circonda.
Ora che abbiamo esplorato la segmentazione delle istanze e discusso alcune delle sue applicazioni, vediamo come provarla utilizzando il modello Ultralytics YOLO11.
Ci sono due modi per farlo: puoi usare il pacchetto Ultralytics Python o l'HUB Ultralytics . Li esploreremo entrambi, iniziando dal pacchetto Python .
L'esecuzione di un'inferenza comporta l'utilizzo del modello per analizzare nuovi dati inediti. Per eseguire un'inferenza utilizzando il modello di segmentazione delle istanze di YOLO11 attraverso il codice, dobbiamo installare il pacchettoUltralytics Python utilizzando pip, conda o docker. In caso di problemi durante l'installazione, puoi consultare la nostra Guida ai problemi comuni per ottenere assistenza nella risoluzione dei problemi. Una volta installato il pacchetto, puoi eseguire il codice mostrato di seguito per caricare il modello di segmentazione delle istanze di YOLO11 ed eseguire le previsioni su un'immagine.
Con la stessa impostazione del codice, puoi anche addestrare un modello YOLO11 personalizzato. Grazie alla messa a punto di un modello YOLO11, puoi creare una versione personalizzata del modello che soddisfi meglio i requisiti del tuo progetto specifico. Ad esempio, i rivenditori possono utilizzare un modello personalizzato per segmentare accuratamente le caratteristiche fisiche di un cliente e consigliare abiti che calzino a pennello. Il frammento di codice qui sotto mostra come caricare e addestrare un modello YOLO11 per la segmentazione di un'istanza. Puoi partire da una configurazione YAML o da un modello pre-addestrato, trasferire i pesi e addestrare un dataset come COCO per ottenere una segmentazione efficace.
Una volta completato, puoi eseguire inferenze utilizzando il modello personalizzato per le tue applicazioni specifiche. Utilizzando l'opzione di esportazione, puoi anche esportare il tuo modello personalizzato in un formato diverso.
Ora che abbiamo esplorato l'esecuzione di inferenze e l'addestramento personalizzato di un modello di segmentazione di istanze YOLO11 attraverso il codice, vediamo un'alternativa senza codice: Ultralytics HUB. Ultralytics HUB è una piattaforma Vision AI intuitiva che semplifica il processo di formazione e distribuzione dei modelli di YOLO , compresi i modelli di segmentazione delle istanze di YOLO11.
Per eseguire l'inferenza sulle immagini, tutto ciò che devi fare è: creare un account, andare nella sezione "Modelli" e selezionare la variante del modello di segmentazione dell'istanza YOLO11 di tua scelta. Puoi caricare un'immagine e visualizzare i risultati della predizione nella sezione di anteprima, come mostrato di seguito.
YOLO11 offre funzionalità affidabili di segmentazione delle istanze che aprono un mondo di possibilità in diversi settori. Dal miglioramento della sicurezza dei veicoli autonomi al monitoraggio del gas flaring nel settore petrolifero e del gas, fino all'automazione dello smistamento dei rifiuti negli impianti di riciclaggio, la precisione a livello di pixel di YOLO11 lo rende ideale per attività di segmentazione complesse.
Grazie alle opzioni di formazione personalizzata tramite il pacchetto Ultralytics Python e alla configurazione senza codice tramite Ultralytics HUB, gli utenti possono integrare perfettamente YOLO11 nei loro flussi di lavoro. Che si tratti di applicazioni industriali, sanitarie, di vendita al dettaglio o di monitoraggio ambientale, YOLO11 offre flessibilità e precisione per soddisfare le diverse esigenze di segmentazione.
Per saperne di più, visita il nostro repository GitHub e partecipa alla nostra comunità. Scopri le applicazioni dell'intelligenza artificiale nelle auto a guida autonoma e nell'agricoltura sulle nostre pagine dedicate alle soluzioni. 🚀
Inizia il tuo viaggio nel futuro dell'apprendimento automatico