Segmentierungsobjekte mit Ultralytics YOLO isolieren#

Instanzsegmentierung erzeugt für jedes erkannte Objekt eine pixelgenaue Maske. Dadurch kannst du jedes Objekt einzeln aus einem Bild herauslösen. Diese Anleitung zeigt dir, wie du Segmentierungsergebnisse von Ultralytics YOLO mit dem Vorhersagemodus und OpenCV in isolierte Objekte umwandelst – mit schwarzem oder transparentem Hintergrund, um sie als PNG zu speichern.

Warum Segmentierungsobjekte isolieren?#

Einzelne Objekte aus einem Bild herauszulösen, eröffnet zahlreiche nachgelagerte Arbeitsabläufe:

• Hintergrundentfernung für Produktfotos, Kataloge oder kreative Bearbeitung.
• Zuschnitte einzelner Objekte, um aus deinen Erkennungen Klassifizierungsdatensätze zu erstellen.
• Gezielte Verarbeitung, damit spätere Schritte wie OCR, Farbanalyse oder Vermessung nur das Objekt und nicht die umgebende Szene erfassen.
• Export als transparentes PNG, um Objekte auf neue Hintergründe zu setzen.

Die Methode funktioniert mit jedem Ultralytics-YOLO-Segmentierungsmodell und umfasst vier Schritte: Inferenz ausführen → jede Kontur extrahieren → das Objekt isolieren → das Ergebnis speichern.

Segmentierungsinferenz ausführen#

Installiere die erforderlichen Bibliotheken, lade dann ein Segmentierungsmodell (das Suffix -seg ist erforderlich, um Masken zu erzeugen) und führe eine Vorhersage für dein Quellbild aus:

from ultralytics import YOLO

# Segmentierungsmodell laden
model = YOLO("yolo26n-seg.pt")

# Inferenz für eine Quelle ausführen
results = model.predict(source="path/to/image.jpg")

Objektkonturen extrahieren#

Jedes Element in results entspricht einem Bild. Beim Durchlaufen eines Ergebnisses erhältst du jeweils eine Erkennung. Kopiere für jede Erkennung das Originalbild, lies die Klassenbezeichnung aus und zeichne die Maskenkontur des Objekts auf eine leere Binärmaske. Der weiße Bereich dieser Maske markiert genau die Pixel, die zum Objekt gehören.

Die Codeausschnitte in diesem und im nächsten Abschnitt werden innerhalb der folgenden Erkennungsschleife ausgeführt. Das vollständige Skript zum Kopieren und Einfügen findest du unter Vollständiges Beispiel.

from pathlib import Path

import cv2
import numpy as np

for r in results:
    img = np.copy(r.orig_img)
    img_name = Path(r.path).stem  # Basisname des Quellbilds

    # Jedes erkannte Objekt im Bild durchlaufen
    for ci, c in enumerate(r):
        label = c.names[c.boxes.cls.tolist().pop()]  # Klassenname

        # Binärmaske erstellen und die Objektkontur darauf zeichnen
        b_mask = np.zeros(img.shape[:2], np.uint8)
        contour = c.masks.xy[0].astype(np.int32).reshape(-1, 1, 2)
        cv2.drawContours(b_mask, [contour], -1, (255, 255, 255), cv2.FILLED)

Das Objekt isolieren#

Sobald die Binärmaske fertig ist, kombinierst du sie mit dem Originalbild. Je nachdem, welchen Hintergrund du möchtest, gibt es zwei gängige Varianten:

Isolierungsvariante auswählen

Schwarzer HintergrundTransparenter Hintergrund

Wandle die Maske in drei Kanäle um und behalte nur die Pixel, die das Objekt überlagern. Alles außerhalb der Kontur wird schwarz:

# Objekt vor schwarzem Hintergrund isolieren
mask3ch = cv2.cvtColor(b_mask, cv2.COLOR_GRAY2BGR)
isolated = cv2.bitwise_and(mask3ch, img)

Auf den Begrenzungsrahmen zuschneiden

Wenn du nur den Bereich des Objekts statt des gesamten Bildes behalten möchtest, schneide das Bild anhand des Begrenzungsrahmens der Erkennung zu:

# Koordinaten des Begrenzungsrahmens
x1, y1, x2, y2 = c.boxes.xyxy.cpu().numpy().squeeze().astype(np.int32)
# Isoliertes Bild auf den Objektbereich zuschneiden
iso_crop = isolated[y1:y2, x1:x2]

Ergebnis speichern (optional)#

Was du mit jedem isolierten Objekt machst, bleibt dir überlassen. Ein häufiger nächster Schritt ist, das Objekt zur späteren Verwendung auf der Festplatte zu speichern:

# Save the isolated object to file
cv2.imwrite(f"{img_name}_{label}-{ci}.png", isolated)

Hier ist img_name der Dateistamm des Quellbilds, label der Klassenname und ci der Erkennungsindex. So erhalten mehrere Instanzen derselben Klasse eindeutige Dateinamen. Ersetze isolated durch iso_crop, wenn du den optionalen Zuschnitt oben angewendet hast.

Vollständiges Beispiel#

Das folgende Skript fasst alle Schritte zu einem einzigen ausführbaren Codeblock zusammen. Standardmäßig wird ein schwarzer Hintergrund verwendet. Ändere die eine markierte Zeile zu np.dstack([img, b_mask]), um stattdessen ein transparentes PNG zu erhalten:

from pathlib import Path

import cv2
import numpy as np

from ultralytics import YOLO

model = YOLO("yolo26n-seg.pt")
results = model.predict(source="path/to/image.jpg")

for r in results:
    img = np.copy(r.orig_img)
    img_name = Path(r.path).stem

    for ci, c in enumerate(r):
        label = c.names[c.boxes.cls.tolist().pop()]

        # Build a binary mask from the object contour
        b_mask = np.zeros(img.shape[:2], np.uint8)
        contour = c.masks.xy[0].astype(np.int32).reshape(-1, 1, 2)
        cv2.drawContours(b_mask, [contour], -1, (255, 255, 255), cv2.FILLED)

        # Isolate the object (black background)
        mask3ch = cv2.cvtColor(b_mask, cv2.COLOR_GRAY2BGR)
        isolated = cv2.bitwise_and(mask3ch, img)  # transparent PNG: isolated = np.dstack([img, b_mask])

        # Save or add your custom post-processing here
        cv2.imwrite(f"{img_name}_{label}-{ci}.png", isolated)

        # Optional: crop to the bounding box before saving
        # x1, y1, x2, y2 = c.boxes.xyxy.cpu().numpy().squeeze().astype(np.int32)
        # cv2.imwrite(f"{img_name}_{label}-{ci}.png", isolated[y1:y2, x1:x2])

Wenn du den Ablauf wiederholt verwenden möchtest, fasse den Schleifenrumpf in einer Funktion zusammen, die du für viele Bilder aufrufen kannst.

Fazit#

Du hast nun eine vollständige Anleitung zum Isolieren segmentierter Objekte mit Ultralytics YOLO: Führe Inferenz aus, erstelle aus jeder Kontur eine Binärmaske und extrahiere anschließend das Objekt vor schwarzem oder transparentem Hintergrund. Optional kannst du es auf seinen Begrenzungsrahmen zuschneiden. In der Dokumentation zu Segmentierungsaufgaben und zum Vorhersagemodus erfährst du, wie du den Arbeitsablauf an deine eigenen Klassen anpasst.

Häufig gestellte Fragen#