Segmentación de instancias y seguimiento mediante Ultralytics YOLO26 🚀#
¿Qué es la segmentación de instancias?#
La segmentación de instancias es una tarea de visión artificial que consiste en identificar y delinear objetos individuales en una imagen a nivel de píxel. A diferencia de la segmentación semántica, que solo clasifica los píxeles por categoría, la segmentación de instancias etiqueta de forma única y delinea con precisión cada instancia de objeto, lo que la hace crucial para aplicaciones que requieren una comprensión espacial detallada, como la imagen médica, la conducción autónoma y la automatización industrial.
Ultralytics YOLO26 proporciona potentes capacidades de segmentación de instancias que permiten una detección precisa de los límites de los objetos mientras se mantiene la velocidad y la eficiencia por las que los modelos YOLO son conocidos.
Existen dos tipos de seguimiento de segmentación de instancias disponibles en el paquete de Ultralytics:
-
Segmentación de instancias con objetos de clase: A cada objeto de clase se le asigna un color único para una separación visual clara.
-
Segmentación de instancias con seguimiento de objetos: Cada seguimiento está representado por un color distinto, lo que facilita la identificación y el seguimiento a través de los fotogramas de vídeo.
Watch: Instance Segmentation with Object Tracking using Ultralytics YOLO26
Muestras#
| Segmentación de instancias | Segmentación de instancias + Seguimiento de objetos |
|---|---|
 |  |
| Segmentación de instancias de Ultralytics 😍 | Segmentación de instancias de Ultralytics con seguimiento de objetos 🔥 |
Segmenta y realiza un seguimiento con YOLO26#
La solución InstanceSegmentation ejecuta un modelo de segmentación YOLO26 en cada fotograma, dibuja máscaras por objeto y colorea cada instancia por separado para que puedas seguir objetos individuales a lo largo de un vídeo. Carga un modelo -seg y ejecútalo sobre tu fuente con la API de Python o la CLI.
# 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]"Argumentos de InstanceSegmentation#
Aquí tienes una tabla con los argumentos de InstanceSegmentation:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
model | str | None | Ruta a un archivo de modelo YOLO de Ultralytics. |
line_width | int | 2 | Grosor de línea para las cajas, puntos clave y recuentos que dibuja la solución. |
verbose | bool | True | Habilita el registro por fotograma de la solución sobre la forma de entrada, los recuentos de clases y la velocidad de procesamiento. La llamada de seguimiento en sí siempre es silenciosa. |
También puedes aprovechar los argumentos de track dentro de la solución InstanceSegmentation:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
tracker | str | 'botsort.yaml' | Especifica el algoritmo de seguimiento que se va a utilizar. Opciones integradas: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Establece el umbral de confianza para las detecciones; valores más bajos permiten el seguimiento de más objetos, pero pueden incluir falsos positivos. |
iou | float | 0.7 | Establece el umbral de Intersection over Union (IoU) para filtrar detecciones superpuestas. |
classes | list | None | Filtra los resultados por índice de clase. Por ejemplo, classes=[0, 2, 3] solo realiza el seguimiento de las clases especificadas. |
device | str | None | Especifica el dispositivo para la inferencia (por ejemplo, cpu, cuda:0 o 0). Permite a los usuarios seleccionar entre CPU, una GPU específica u otros dispositivos de computación para la ejecución del modelo. |
Además, están disponibles los siguientes argumentos de visualización:
| Argumento | Tipo | Predeterminado | Descripción |
|---|---|---|---|
show | bool | False | Si es True, muestra las imágenes o vídeos anotados en una ventana. Es útil para obtener retroalimentación visual inmediata durante el desarrollo o las pruebas. |
show_conf | bool | True | Muestra la puntuación de confianza para cada detección junto a la etiqueta. Proporciona información sobre la certeza del modelo para cada detección. |
show_labels | bool | True | Muestra las etiquetas para cada detección en la salida visual. Proporciona una comprensión inmediata de los objetos detectados. |
show_boxes | bool | True | Dibuja cajas delimitadoras alrededor de los objetos detectados. Esencial para la identificación visual y la ubicación de objetos en imágenes o fotogramas de vídeo. |
Aplicaciones de la segmentación de instancias#
La segmentación de instancias con YOLO26 tiene numerosas aplicaciones en el mundo real en diversos sectores:
Gestión de residuos y reciclaje#
YOLO26 se puede utilizar en instalaciones de gestión de residuos para identificar y clasificar diferentes tipos de materiales. El modelo puede segmentar residuos de plástico, cartón, metal y otros materiales reciclables con alta precisión, lo que permite a los sistemas de clasificación automatizados procesar los residuos de manera más eficiente. Esto es especialmente valioso si se tiene en cuenta que solo alrededor del 10% de los 7 mil millones de toneladas de residuos plásticos generados a nivel mundial se reciclan.
Vehículos autónomos#
En los coches autónomos, la segmentación de instancias ayuda a identificar y rastrear peatones, vehículos, señales de tráfico y otros elementos de la carretera a nivel de píxel. Esta comprensión precisa del entorno es crucial para la navegación y las decisiones de seguridad. El rendimiento en tiempo real de YOLO26 lo hace ideal para estas aplicaciones sensibles al tiempo.
Imagenología médica#
La segmentación de instancias puede identificar y delinear tumores, órganos o estructuras celulares en exploraciones médicas. La capacidad de YOLO26 para delinear con precisión los límites de los objetos lo hace valioso para el diagnóstico médico y la planificación de tratamientos.
Supervisión de obras de construcción#
En las obras de construcción, la segmentación de instancias puede realizar un seguimiento de maquinaria pesada, trabajadores y materiales. Esto ayuda a garantizar la seguridad mediante el control de las posiciones de los equipos y la detección de cuando los trabajadores entran en áreas peligrosas, al mismo tiempo que optimiza el flujo de trabajo y la asignación de recursos.
FAQ#
Para realizar la segmentación de instancias mediante Ultralytics YOLO26, inicializa el modelo YOLO con una versión de segmentación de YOLO26 y procesa los fotogramas de vídeo a través de él. Aquí tienes un ejemplo de código simplificado:
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()Obtén más información sobre la segmentación de instancias en la guía de Ultralytics YOLO26.
La segmentación de instancias identifica y contornea objetos individuales dentro de una imagen, asignando a cada objeto una etiqueta y una máscara únicas. El seguimiento de objetos amplía esto asignando identificadores coherentes a los objetos en los fotogramas de vídeo, lo que facilita el seguimiento continuo de los mismos objetos a lo largo del tiempo. Cuando se combinan, como en la implementación de YOLO26, obtienes capacidades potentes para analizar el movimiento y el comportamiento de los objetos en vídeos mientras mantienes información precisa de los límites.
Ultralytics YOLO26 ofrece un rendimiento en tiempo real, una precisión superior y facilidad de uso en comparación con otros modelos como Mask R-CNN o Faster R-CNN. YOLO26 procesa imágenes en una sola pasada (detección de una sola etapa), lo que lo hace significativamente más rápido a la vez que mantiene una alta precisión. También proporciona una integración perfecta con Ultralytics Platform, lo que permite a los usuarios gestionar modelos, conjuntos de datos y canalizaciones de entrenamiento de manera eficiente. Para aplicaciones que requieren tanto velocidad como precisión, YOLO26 ofrece un equilibrio óptimo.
Sí, Ultralytics ofrece varios conjuntos de datos adecuados para entrenar modelos YOLO26 para la segmentación de instancias, incluidos COCO-Seg, COCO8-Seg (un subconjunto más pequeño para pruebas rápidas), Package-Seg y Crack-Seg. Estos conjuntos de datos vienen con las anotaciones a nivel de píxel necesarias para tareas de segmentación de instancias. Para aplicaciones más especializadas, también puedes crear conjuntos de datos personalizados siguiendo el formato de Ultralytics. La información completa del conjunto de datos y las instrucciones de uso se pueden encontrar en la documentación de conjuntos de datos de Ultralytics.