Segmentação de instâncias

Visão geral

Indo além dos métodos mais simples, a segmentação de instâncias gera uma máscara única para cada objeto detectado, mesmo que vários objectos pertençam à mesma categoria (como identificar cada carro separadamente numa fotografia de trânsito). Este contorno perfeito dos pixels permite aos sistemas compreender não só quais os objectos presentes, mas também a sua forma, tamanho e localização exactos, distinguindo eficazmente os itens sobrepostos. Esta capacidade é vital para tarefas que requerem uma consciência espacial precisa e uma elevada exatidão.

Segmentação de Instância Vs. Tarefas Relacionadas

É importante distinguir a segmentação de instâncias das tarefas de visão computacional relacionadas:

• Deteção de objectos: Esta tarefa identifica objectos e desenha uma caixa delimitadora retangular à volta de cada um. Diz-te onde estão os objectos, mas não a sua forma exacta.
• Segmentação semântica: Classifica cada pixel de uma imagem numa categoria (por exemplo, "carro", "estrada", "céu"). No entanto, não diferencia entre instâncias individuais; todos os carros partilhariam a mesma etiqueta "carro" sem separação. Podes saber mais neste guia sobre segmentação de instâncias vs segmentação semântica.
• Segmentação panóptica: Combina segmentação semântica e de instância, atribuindo uma etiqueta de classe e um ID de instância único a cada pixel.

A segmentação de instâncias centra-se especificamente na identificação e no contorno de objectos distintos.

Como funciona a segmentação de instâncias

As abordagens tradicionais, como a conhecida Mask R-CNN, utilizam frequentemente um processo em duas fases: primeiro detecta objectos com caixas delimitadoras e depois gera máscaras dentro dessas caixas. Embora preciso, este processo pode ser computacionalmente intensivo. Métodos mais modernos, de fase única, incluindo variantes de Ultralytics YOLOprevêem simultaneamente caixas delimitadoras e máscaras, obtendo um desempenho mais rápido e adequado para inferência em tempo real. Estes modelos são treinados em grandes conjuntos de dados como o COCO, que incluem anotações de segmentação(COCO Segmentation Dataset).

Aplicações da segmentação de instâncias

O resultado detalhado da segmentação de instâncias é inestimável em muitos campos:

1. Condução autónoma: A segmentação precisa de peões, veículos, ciclistas e linhas de faixa de rodagem permite que os carros autónomos compreendam melhor o que os rodeia, naveguem em cenários de tráfego complexos com segurança e prevejam movimentos com mais precisão do que as caixas delimitadoras permitem. A investigação de instituições como a Waymo baseia-se muitas vezes na segmentação.
2. Análise de imagens médicas: Em radiologia ou patologia, a segmentação de instâncias pode delinear com precisão tumores, órgãos ou mesmo células individuais em exames (como MRI ou CT). Isto ajuda os médicos no diagnóstico, no planeamento do tratamento (por exemplo, radioterapia) e na medição das alterações ao longo do tempo, contribuindo para os avanços da IA nos cuidados de saúde. Vê os guias sobre a utilização do YOLO11 para a deteção de tumores.
3. Robótica: Os robôs que executam tarefas como apanhar e colocar objectos precisam de saber a forma exacta dos objectos para os agarrarem corretamente, especialmente em ambientes desordenados. A segmentação de instâncias fornece esta informação crucial sobre a forma(AI in Robotics).
4. Análise de imagens de satélite: Identificar e delinear edifícios individuais, campos ou massas de água a partir de imagens aéreas ou de satélite ajuda no planeamento urbano, na monitorização agrícola e na avaliação ambiental(Satellite Image Analysis Techniques).

Segmentação de instâncias e Ultralytics YOLO

Ultralytics fornece modelos de última geração capazes de segmentação de instâncias de alto desempenho. Modelos como o Ultralytics YOLOv8 e o mais recente Ultralytics YOLO11 oferecem pesos pré-treinados para tarefas de segmentação e podem ser facilmente treinados de forma personalizada em conjuntos de dados específicos. Podes aprender a utilizar YOLO11 para segmentação de exemplos ou explorar a segmentação com modelos YOLOv8 pré-treinados. O gerenciamento de conjuntos de dados, treinamento e implantação é simplificado com o Ultralytics HUB. Para comparações detalhadas de desempenho, consulta YOLO11 vs YOLOv8. A documentação da tarefa de segmentação fornece mais orientações.