インスタンスのセグメンテーション

インスタンス・セグメンテーションとは？

インスタンス・セグメンテーションは、オブジェクトの周囲にバウンディング・ボックスを描く基本的なオブジェクト検出や、画像内の各ピクセルをクラスでラベル付けするが、同じクラスの個々のオブジェクトを区別しないセマンティック・セグメンテーションを超える。その代わりに、インスタンス・セグメンテーションでは、オブジェクトのインスタンスが重なっていても、それぞれのインスタンスを一意に識別する。たとえば、複数の自動車がある画像では、インスタンス・セグメンテーションは、すべての自動車を「自動車」として認識するだけでなく、個々の自動車ごとに個別の完璧なマスクを作成し、自動車同士や背景と区別する。この機能は、個々の物体を数えたり、特定の形状を分析したりすることが重要なシナリオにおいて極めて重要である。

インスタンスのセグメンテーションと関連タスクの比較

インスタンスのセグメンテーションは、他のコンピュータビジョンのタスクとは大きく異なる：

• オブジェクト検出：オブジェクト検出は、オブジェクトの周囲にバウンディングボックスを描くことによって、画像内のオブジェクトを識別し、位置を特定することに重点を置いています。オブジェクトの正確な形状や境界線ではなく、何が どこにあるのかを教えてくれます。
• セマンティックセグメンテーション：セマンティック・セグメンテーションは、画像の各ピクセルを「空」、「道路」、「車」など、あらかじめ定義されたクラスに分類する。このセマンティック・セグメンテーションは、シーンのピクセル・レベルの理解を提供するが、同じオブジェクト・クラスの別々のインスタンスを区別することはない。例えば、すべての車は「車」ピクセルとしてラベル付けされるが、個々のオブジェクトとしては区別されない。
• インスタンス・セグメンテーション：インスタンス・セグメンテーションは、両者の長所を組み合わせたものである。セマンティックセグメンテーションのようにピクセルレベルの分類を行うだけでなく、オブジェクト検出のように各オブジェクトインスタンスを個別に区別してセグメンテーションすることで、画像内のオブジェクトを包括的に詳細に理解することができる。

インスタンス分割の応用

インスタンスセグメンテーションの精度の高さは、さまざまな分野で不可欠である：

• 自律走行：自動運転車では、インスタンスのセグメンテーションにより、道路上の歩行者、車両、障害物をそれぞれ正確に識別し追跡することで、車両が周囲の状況を理解するのに役立つ。この詳細な認識は、複雑な交通シナリオにおける安全なナビゲーションと意思決定に不可欠である。
• 医療画像解析：医療分野では、インスタンス・セグメンテーションは医療画像解析において非常に重要である。MRIやCTスキャンなどの医療スキャンから、個々の細胞、腫瘍、臓器を正確にセグメンテーションし、診断、治療計画、病気の進行のモニタリングに役立てることができる。例えば Ultralytics YOLOv8インスタンス・セグメンテーションを活用することで、腫瘍の正確な位置と境界を特定できる。
• ロボット工学：実世界と相互作用するロボットにとって、インスタンスセグメンテーションは複雑なタスクに必要な詳細なシーン理解を提供します。倉庫で商品をピッキングするロボットアームであれ、ダイナミックな環境をナビゲートするサービスロボットであれ、各オブジェクトの正確な形状と位置を把握することは、効果的で安全な操作に不可欠です。

インスタンスのセグメンテーションとUltralytics YOLO

Ultralytics YOLOのようなモデルを提供している。 Ultralytics YOLOv8や Ultralytics YOLO11などのモデルを提供し、高い精度と速度でインスタンスセグメンテーションを実行できる。これらのモデルは、カスタムデータセットで簡単にトレーニングすることができ、Ultralytics HUB を使用して、合理化されたモデル管理とデプロイメントを行うことができます。インスタンス・セグメンテーションを始めるには、 Ultralytics YOLO11 をインスタンス・セグメンテーションに使用する方法や、 Ultralytics YOLOv8 事前にトレーニングされたモデルを使用したセグメンテーションについてPython で学ぶことができます。