Segmentierungsobjekte mit Ultralytics YOLO isolieren#

Instanzsegmentierung erstellt für jedes erkannte Objekt eine pixelgenaue Maske. Dadurch kannst du jedes Objekt einzeln aus einem Bild herauslösen. Dieser Leitfaden zeigt dir, wie du Segmentierungsergebnisse von Ultralytics YOLO mithilfe des Vorhersagemodus und OpenCV in isolierte Objekte umwandelst – entweder mit einem einfarbig schwarzen oder einem transparenten Hintergrund zum Speichern als PNG.

Warum Segmentierungsobjekte isolieren?#

Das Herauslösen einzelner Objekte aus einem Bild ermöglicht zahlreiche nachgelagerte Arbeitsabläufe:

• Hintergrundentfernung für Produktaufnahmen, Kataloge oder kreative Bearbeitung.
• Objektbezogene Ausschnitte, um aus deinen Erkennungen Klassifizierungsdatensätze zu erstellen.
• Fokussierte Verarbeitung, damit nachgelagerte Schritte wie OCR, Farbanalyse oder Vermessung nur das Objekt und nicht die umgebende Szene sehen.
• Export als transparentes PNG, um Objekte auf neue Hintergründe zu setzen.

Das Verfahren 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 anschließend ein Segmentierungsmodell (das Suffix -seg, das zum Erzeugen von Masken erforderlich ist) und führe die Vorhersage für dein Ausgangsbild aus:

from ultralytics import YOLO

# Load a segmentation model
model = YOLO("yolo26n-seg.pt")

# Run inference on a source
results = model.predict(source="path/to/image.jpg")

Objektkonturen extrahieren#

Jedes Element in results entspricht einem Bild, und 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 kennzeichnet genau die Pixel, die zum Objekt gehören.

Die Codeausschnitte in diesem und im nächsten Abschnitt werden innerhalb der nachfolgenden Erkennungsschleife ausgeführt. Das vollständige, direkt kopierbare Skript 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  # source image base-name

    # Iterate each detected object in the image
    for ci, c in enumerate(r):
        label = c.names[c.boxes.cls.tolist().pop()]  # class name

        # Build a binary mask and draw the object contour onto it
        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 bereit ist, kombinierst du sie mit dem Originalbild. Je nachdem, wie der Hintergrund aussehen soll, gibt es zwei gängige Varianten:

Isolierungsvariante auswählen

Schwarzer HintergrundTransparenter Hintergrund

Wandle die Maske in drei Kanäle um und behalte nur die Pixel, die sich mit dem Objekt überschneiden. Alles außerhalb der Kontur wird schwarz:

# Isolate object with a black background
mask3ch = cv2.cvtColor(b_mask, cv2.COLOR_GRAY2BGR)
isolated = cv2.bitwise_and(mask3ch, img)

Auf die Bounding Box zuschneiden

Um nur den Objektbereich statt des Bildes in voller Größe beizubehalten, schneide es auf die Bounding Box der Erkennung zu:

# Bounding box coordinates
x1, y1, x2, y2 = c.boxes.xyxy.cpu().numpy().squeeze().astype(np.int32)
# Crop the isolated image to the object region
iso_crop = isolated[y1:y2, x1:x2]

Ergebnis speichern (optional)#

Was du mit jedem isolierten Objekt machst, bleibt dir überlassen. Ein üblicher nächster Schritt ist, es zur späteren Verwendung auf dem Datenträger zu speichern:

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

Hier ist img_name der Stamm des Quelldateinamens, label der Klassenname und ci der Index der Erkennung. Dadurch 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 in einem einzigen ausführbaren Block zusammen. Standardmäßig verwendet es einen schwarzen Hintergrund. Ersetze die markierte Zeile durch np.dstack([img, b_mask]), um stattdessen ein transparentes PNG zu erzeugen:

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])

Für die wiederholte Verwendung kannst du den Schleifenkörper in eine Funktion kapseln und sie für viele Bilder aufrufen.

Fazit#

Du verfügst jetzt über ein vollständiges Verfahren zum Isolieren segmentierter Objekte mit Ultralytics YOLO: Führe die Inferenz aus, erstelle aus jeder Kontur eine Binärmaske und extrahiere anschließend das Objekt vor einem schwarzen oder transparenten Hintergrund. Optional kannst du es auf seine Bounding Box zuschneiden. Sieh dir die vollständige Dokumentation zu Segmentierungsaufgaben und zum Vorhersagemodus an, um den Arbeitsablauf an deine eigenen Klassen anzupassen.

FAQ#