Was ist der Unterschied zwischen Instanzsegmentierung und Objekt-Tracking in Ultralytics YOLO26?

Instanzsegmentierung identifiziert und umreißt einzelne Objekte innerhalb eines Bildes und gibt jedem Objekt ein eindeutiges Label und eine Maske. Objekt-Tracking erweitert dies, indem Objekten über Videoframes hinweg konsistente IDs zugewiesen werden, was eine kontinuierliche Verfolgung derselben Objekte über die Zeit ermöglicht. Kombiniert, wie in der Implementierung von YOLO26, erhältst du leistungsstarke Funktionen zur Analyse von Objektbewegungen und -verhalten in Videos bei gleichzeitiger Beibehaltung präziser Grenzinformationen.

Warum sollte ich Ultralytics YOLO26 für Instanzsegmentierung und Tracking gegenüber anderen Modellen wie Mask R-CNN oder Faster R-CNN verwenden?

Ultralytics YOLO26 bietet Echtzeitleistung, überlegene Genauigkeit und Benutzerfreundlichkeit im Vergleich zu anderen Modellen wie Mask R-CNN oder Faster R-CNN. YOLO26 verarbeitet Bilder in einem einzigen Durchlauf (One-Stage-Detektion), wodurch es wesentlich schneller ist und gleichzeitig eine hohe Präzision beibehält. Es bietet zudem eine nahtlose Integration mit der Ultralytics Platform, sodass Benutzer Modelle, Datensätze und Trainingspipelines effizient verwalten können. Für Anwendungen, die sowohl Geschwindigkeit als auch Genauigkeit erfordern, bietet YOLO26 eine optimale Balance.

Gibt es von Ultralytics bereitgestellte Datensätze, die sich zum Training von YOLO26-Modellen für Instanzsegmentierung und Tracking eignen?

Ja, Ultralytics bietet mehrere Datensätze an, die sich zum Trainieren von YOLO26-Modellen für die Instanzsegmentierung eignen, darunter COCO-Seg, COCO8-Seg (ein kleineres Subset für schnelle Tests), Package-Seg und Crack-Seg. Diese Datensätze werden mit den für Instanzsegmentierungsaufgaben erforderlichen Annotationen auf Pixelebene geliefert. Für spezialisiertere Anwendungen kannst du auch benutzerdefinierte Datensätze erstellen, die dem Ultralytics-Format folgen. Vollständige Informationen zu den Datensätzen und Nutzungshinweise findest du in der Ultralytics-Datensatzdokumentation.

Instanzsegmentierung und Tracking mit Ultralytics YOLO26 🚀#

Was ist Instanzsegmentierung?#

Instance Segmentation ist eine Computer-Vision-Aufgabe, bei der einzelne Objekte in einem Bild auf Pixelebene identifiziert und umrissen werden. Im Gegensatz zur semantischen Segmentierung, die Pixel lediglich nach Kategorie klassifiziert, kennzeichnet und präzisiert die Instanzsegmentierung jede Objektinstanz eindeutig, was sie für Anwendungen, die ein detailliertes räumliches Verständnis erfordern – wie medizinische Bildgebung, autonomes Fahren und industrielle Automatisierung –, unverzichtbar macht.

Ultralytics YOLO26 bietet leistungsstarke Instanzsegmentierungsfunktionen, die eine präzise Erkennung von Objektgrenzen ermöglichen und gleichzeitig die Geschwindigkeit und Effizienz beibehalten, für die YOLO-Modelle bekannt sind.

Es gibt zwei Arten des Instanzsegmentierungs-Trackings im Ultralytics-Paket:

Instanzsegmentierung mit Klassenobjekten: Jedem Klassenobjekt wird für eine klare visuelle Trennung eine eindeutige Farbe zugewiesen.
Instanzsegmentierung mit Objekt-Tracks: Jeder Track wird durch eine eigene Farbe dargestellt, was die Identifizierung und Verfolgung über Videoframes hinweg erleichtert.

Watch: Instance Segmentation with Object Tracking using Ultralytics YOLO26

Stichproben#

Instanzsegmentierung	Instanzsegmentierung + Objekt-Tracking

Ultralytics Instanzsegmentierung 😍	Ultralytics Instanzsegmentierung mit Objekt-Tracking 🔥

Segmentiere und verfolge mit YOLO26#

Die InstanceSegmentation-Lösung führt ein YOLO26-Segmentierungsmodell auf jedem Frame aus, zeichnet Masken pro Objekt und färbt jede Instanz separat ein, sodass du einzelne Objekte über ein Video hinweg verfolgen kannst. Lade ein -seg-Modell und führe es dann mit der Python API oder der CLI auf deiner Quelle aus.

Instanzsegmentierung mit Ultralytics YOLO

# Instance segmentation using Ultralytics YOLO26
yolo solutions isegment show=True

# Pass a source video
yolo solutions isegment source="path/to/video.mp4"

# Monitor the specific classes
yolo solutions isegment classes="[0, 5]"

`InstanceSegmentation`-Argumente#

Hier ist eine Tabelle mit den InstanceSegmentation-Argumenten:

Argument	Typ	Standard	Beschreibung
`model`	`str`	`None`	Pfad zu einer Ultralytics YOLO-Modelldatei.
`line_width`	`int`	`2`	Linienstärke für die Boxen, Keypoints und Zählungen, die die Lösung zeichnet.
`verbose`	`bool`	`True`	Aktiviert das pro-Frame-Protokoll der Lösung für Eingabeform, Klassenzahlen und Verarbeitungsgeschwindigkeit. Der Tracking-Aufruf selbst verläuft immer im Hintergrund.

Du kannst auch von track-Argumenten innerhalb der InstanceSegmentation-Lösung profitieren:

Argument	Typ	Standard	Beschreibung
`tracker`	`str`	`'botsort.yaml'`	Gibt den zu verwendenden Tracking-Algorithmus an. Integrierte Optionen: `botsort.yaml`, `bytetrack.yaml`, `ocsort.yaml`, `deepocsort.yaml`, `fasttrack.yaml`, `tracktrack.yaml`.
`conf`	`float`	`0.25`	Legt den Konfidenz-Schwellenwert für Detektionen fest; niedrigere Werte ermöglichen die Verfolgung von mehr Objekten, können aber zu falsch-positiven Ergebnissen führen.
`iou`	`float`	`0.7`	Legt den Schwellenwert für die Intersection over Union (IoU) zum Filtern überlappender Detektionen fest.
`classes`	`list`	`None`	Filtert Ergebnisse nach Klassenindex. Zum Beispiel verfolgt `classes=[0, 2, 3]` nur die angegebenen Klassen.
`device`	`str`	`None`	Gibt das Gerät für die Inferenz an (z. B. `cpu`, `cuda:0` oder `0`). Ermöglicht Benutzern die Auswahl zwischen CPU, einer spezifischen GPU oder anderen Rechengeräten für die Modellausführung.

Darüber hinaus sind die folgenden Visualisierungsargumente verfügbar:

Argument	Typ	Standard	Beschreibung
`show`	`bool`	`False`	Falls `True`, werden die annotierten Bilder oder Videos in einem Fenster angezeigt. Nützlich für unmittelbares visuelles Feedback während der Entwicklung oder des Testens.
`show_conf`	`bool`	`True`	Zeigt den Konfidenzwert für jede Erkennung neben dem Label an. Bietet Einblick in die Gewissheit des Modells für jede Erkennung.
`show_labels`	`bool`	`True`	Zeigt Labels für jede Erkennung in der visuellen Ausgabe an. Ermöglicht ein sofortiges Verständnis der erkannten Objekte.
`show_boxes`	`bool`	`True`	Zeichnet Begrenzungsrahmen um erkannte Objekte. Wesentlich für die visuelle Identifizierung und Lokalisierung von Objekten in Bildern oder Videoframes.

Anwendungen der Instanzsegmentierung#

Die Instanzsegmentierung mit YOLO26 hat zahlreiche reale Anwendungen in verschiedenen Branchen:

Abfallwirtschaft und Recycling#

YOLO26 kann in Abfallverarbeitungsanlagen verwendet werden, um verschiedene Arten von Materialien zu identifizieren und zu sortieren. Das Modell kann Kunststoffabfälle, Pappe, Metall und andere Wertstoffe mit hoher Präzision segmentieren, sodass automatisierte Sortiersysteme Abfälle effizienter verarbeiten können. Dies ist besonders wertvoll in Anbetracht der Tatsache, dass weltweit nur etwa 10 % der generierten 7 Milliarden Tonnen Kunststoffabfälle recycelt werden.

Autonome Fahrzeuge#

Bei selbstfahrenden Autos hilft die Instanzsegmentierung dabei, Fußgänger, Fahrzeuge, Verkehrsschilder und andere Straßenelemente auf Pixelebene zu identifizieren und zu verfolgen. Dieses präzise Verständnis der Umgebung ist für Navigations- und Sicherheitsentscheidungen von entscheidender Bedeutung. Die Echtzeitleistung von YOLO26 prädestiniert es für diese zeitkritischen Anwendungen.

Medizinische Bildgebung#

Die Instanzsegmentierung kann Tumore, Organe oder Zellstrukturen in medizinischen Scans identifizieren und umrissen. Die Fähigkeit von YOLO26, Objektgrenzen präzise abzugrenzen, macht es wertvoll für die medizintechnische Diagnostik und Behandlungsplanung.

Überwachung von Baustellen#

Auf Baustellen kann die Instanzsegmentierung schwere Maschinen, Arbeiter und Materialien verfolgen. Dies trägt zur Sicherheit bei, indem die Positionen der Geräte überwacht und erkannt wird, wenn Arbeiter gefährliche Bereiche betreten, während gleichzeitig der Arbeitsablauf und die Ressourcenzuweisung optimiert werden.

FAQ#

Um eine Instanzsegmentierung mit Ultralytics YOLO26 durchzuführen, initialisiere das YOLO-Modell mit einer Segmentierungsversion von YOLO26 und verarbeite Videoframes damit. Hier ist ein vereinfachtes Code-Beispiel:

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Video writer
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
video_writer = cv2.VideoWriter("instance-segmentation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init InstanceSegmentation
isegment = solutions.InstanceSegmentation(
    show=True,  # display the output
    model="yolo26n-seg.pt",  # model="yolo26n-seg.pt" for object segmentation using YOLO26.
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or processing is complete.")
        break
    results = isegment(im0)
    video_writer.write(results.plot_im)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Erfahre mehr über Instanzsegmentierung im Ultralytics YOLO26-Leitfaden.

Instanzsegmentierung identifiziert und umreißt einzelne Objekte innerhalb eines Bildes und gibt jedem Objekt ein eindeutiges Label und eine Maske. Objekt-Tracking erweitert dies, indem Objekten über Videoframes hinweg konsistente IDs zugewiesen werden, was eine kontinuierliche Verfolgung derselben Objekte über die Zeit ermöglicht. Kombiniert, wie in der Implementierung von YOLO26, erhältst du leistungsstarke Funktionen zur Analyse von Objektbewegungen und -verhalten in Videos bei gleichzeitiger Beibehaltung präziser Grenzinformationen.
Ultralytics YOLO26 bietet Echtzeitleistung, überlegene Genauigkeit und Benutzerfreundlichkeit im Vergleich zu anderen Modellen wie Mask R-CNN oder Faster R-CNN. YOLO26 verarbeitet Bilder in einem einzigen Durchlauf (One-Stage-Detektion), wodurch es wesentlich schneller ist und gleichzeitig eine hohe Präzision beibehält. Es bietet zudem eine nahtlose Integration mit der Ultralytics Platform, sodass Benutzer Modelle, Datensätze und Trainingspipelines effizient verwalten können. Für Anwendungen, die sowohl Geschwindigkeit als auch Genauigkeit erfordern, bietet YOLO26 eine optimale Balance.
Ja, Ultralytics bietet mehrere Datensätze an, die sich zum Trainieren von YOLO26-Modellen für die Instanzsegmentierung eignen, darunter COCO-Seg, COCO8-Seg (ein kleineres Subset für schnelle Tests), Package-Seg und Crack-Seg. Diese Datensätze werden mit den für Instanzsegmentierungsaufgaben erforderlichen Annotationen auf Pixelebene geliefert. Für spezialisiertere Anwendungen kannst du auch benutzerdefinierte Datensätze erstellen, die dem Ultralytics-Format folgen. Vollständige Informationen zu den Datensätzen und Nutzungshinweise findest du in der Ultralytics-Datensatzdokumentation.

Mitwirkende

GLglenn-jocher¹⁷ RIRizwanMunawar⁸ RAraimbekovm⁶ MImiles-deans-ultralytics¹ PDpderrenger¹ LEleonnil¹ MAMatthewNoyce¹ IVIvorZhu331¹

Erstellt 18. Dez. 2023Aktualisiert vor 4 Tagen