Segmentazione dell'istanza

Panoramica

Superando i metodi più semplici, la segmentazione delle istanze genera una maschera unica per ogni oggetto rilevato, anche se più oggetti appartengono alla stessa categoria (come l'identificazione di ogni auto separatamente in una foto del traffico). Questa delineazione perfetta al pixel permette ai sistemi di capire non solo quali oggetti sono presenti, ma anche la loro forma, dimensione e posizione esatta, distinguendo efficacemente gli oggetti che si sovrappongono. Questa capacità è fondamentale per i compiti che richiedono una precisa consapevolezza spaziale e un'elevata accuratezza.

Segmentazione delle istanze e compiti correlati

È importante distinguere la segmentazione delle istanze dalle attività di computer vision correlate:

• Rilevamento degli oggetti: Questa attività identifica gli oggetti e disegna un rettangolo di delimitazione intorno a ciascuno di essi. Ti dice dove si trovano gli oggetti ma non la loro forma esatta.
• Segmentazione semantica: Classifica ogni pixel di un'immagine in una categoria (ad esempio, "auto", "strada", "cielo"). Tuttavia, non distingue tra le singole istanze; tutte le auto condividerebbero la stessa etichetta "auto" senza separazione. Per saperne di più, consulta questa guida sulla segmentazione delle istanze rispetto alla segmentazione semantica.
• Segmentazione panottica: Combina la segmentazione semantica e quella di istanza, assegnando a ogni pixel sia un'etichetta di classe che un ID di istanza unico.

La segmentazione delle istanze si concentra in particolare sull'identificazione e la delineazione di oggetti distinti.

Come funziona la segmentazione delle istanze

Gli approcci tradizionali, come il noto Mask R-CNN, utilizzano spesso un processo in due fasi: prima rilevano gli oggetti con dei riquadri di delimitazione, poi generano delle maschere all'interno di questi riquadri. Pur essendo accurati, questi metodi possono essere intensivi dal punto di vista computazionale. Metodi più moderni, a fase singola, come le varianti di Ultralytics YOLOprevedono contemporaneamente i riquadri di delimitazione e le maschere, ottenendo prestazioni più veloci e adatte all'inferenza in tempo reale. Questi modelli vengono addestrati su grandi set di dati come COCO, che includono annotazioni di segmentazione(COCO Segmentation Dataset).

Applicazioni della segmentazione delle istanze

I risultati dettagliati della segmentazione delle istanze sono preziosi in molti campi:

1. Guida autonoma: La segmentazione precisa di pedoni, veicoli, ciclisti e linee di corsia consente alle auto a guida autonoma di comprendere meglio l'ambiente circostante, di navigare in modo sicuro in scenari di traffico complessi e di prevedere i movimenti in modo più accurato di quanto non facciano le sole caselle di delimitazione. La ricerca di istituzioni come Waymo si basa spesso sulla segmentazione.
2. Analisi delle immagini mediche: In radiologia o patologia, la segmentazione delle istanze può delineare con precisione tumori, organi o persino singole cellule nelle scansioni (come la risonanza magnetica o la TAC). Questo aiuta i medici nella diagnosi, nella pianificazione del trattamento (ad esempio, la radioterapia) e nella misurazione dei cambiamenti nel tempo, contribuendo ai progressi dell'intelligenza artificiale nel settore sanitario. Consulta le guide sull'utilizzo di YOLO11 per il rilevamento dei tumori.
3. Robotica: I robot che svolgono compiti come la raccolta e il posizionamento di oggetti devono conoscere la forma esatta degli oggetti per poterli afferrare correttamente, soprattutto in ambienti disordinati. La segmentazione delle istanze fornisce queste informazioni cruciali sulla forma(AI in Robotics).
4. Analisi delle immagini satellitari: Identificare e delineare singoli edifici, campi o corpi idrici da immagini satellitari o aeree aiuta nella pianificazione urbana, nel monitoraggio agricolo e nella valutazione ambientale(Tecniche di analisi delle immagini satellitari).

Segmentazione delle istanze e Ultralytics YOLO

Ultralytics offre modelli all'avanguardia in grado di segmentare le istanze ad alte prestazioni. Modelli come Ultralytics YOLOv8 e il più recente Ultralytics YOLO11 offrono pesi pre-addestrati per le attività di segmentazione e possono essere facilmente addestrati su set di dati specifici. Puoi imparare a usare YOLO11 per la segmentazione di istanze o esplorare la segmentazione con i modelli YOLOv8 pre-addestrati. La gestione dei dataset, dell'addestramento e della distribuzione è semplificata grazie a Ultralytics HUB. Per un confronto dettagliato delle prestazioni, vedi YOLO11 vs YOLOv8. La documentazione sulle attività di segmentazione fornisce ulteriori indicazioni.