Ir al contenido

Segmentaci贸n y seguimiento de instancias mediante Ultralytics YOLO11 馃殌

驴Qu茅 es la segmentaci贸n de instancias?

Ultralytics YOLO11 La segmentaci贸n de instancias consiste en identificar y delinear objetos individuales en una imagen, proporcionando una comprensi贸n detallada de la distribuci贸n espacial. A diferencia de la segmentaci贸n sem谩ntica, etiqueta de forma 煤nica y delinea con precisi贸n cada objeto, algo crucial para tareas como la detecci贸n de objetos y la obtenci贸n de im谩genes m茅dicas.

Existen dos tipos de seguimiento de la segmentaci贸n de instancias disponibles en el paquete Ultralytics :

  • Segmentaci贸n de instancias con objetos de clase: A cada objeto de clase se le asigna un color 煤nico para una separaci贸n visual clara.

  • Segmentaci贸n de instancias con pistas de objetos: Cada pista se representa con un color distinto, lo que facilita su identificaci贸n y seguimiento.



Observa: Segmentaci贸n de instancias con seguimiento de objetos mediante Ultralytics YOLO11

Muestras

Segmentaci贸n de instancias Segmentaci贸n de instancias + Seguimiento de objetos
Ultralytics Segmentaci贸n de instancias Ultralytics Segmentaci贸n de instancias con seguimiento de objetos
Ultralytics Segmentaci贸n de instancias 馃槏 Ultralytics Segmentaci贸n de instancias con seguimiento de objetos 馃敟

Segmentaci贸n y seguimiento de instancias

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolo11n-seg.pt")  # segmentation model
names = model.model.names
cap = cv2.VideoCapture("path/to/video/file.mp4")
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

out = cv2.VideoWriter("instance-segmentation.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

while True:
    ret, im0 = cap.read()
    if not ret:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    results = model.predict(im0)
    annotator = Annotator(im0, line_width=2)

    if results[0].masks is not None:
        clss = results[0].boxes.cls.cpu().tolist()
        masks = results[0].masks.xy
        for mask, cls in zip(masks, clss):
            color = colors(int(cls), True)
            txt_color = annotator.get_txt_color(color)
            annotator.seg_bbox(mask=mask, mask_color=color, label=names[int(cls)], txt_color=txt_color)

    out.write(im0)
    cv2.imshow("instance-segmentation", im0)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

out.release()
cap.release()
cv2.destroyAllWindows()
import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolo11n-seg.pt")  # segmentation model
cap = cv2.VideoCapture("path/to/video/file.mp4")
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

out = cv2.VideoWriter("instance-segmentation-object-tracking.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

while True:
    ret, im0 = cap.read()
    if not ret:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    annotator = Annotator(im0, line_width=2)

    results = model.track(im0, persist=True)

    if results[0].boxes.id is not None and results[0].masks is not None:
        masks = results[0].masks.xy
        track_ids = results[0].boxes.id.int().cpu().tolist()

        for mask, track_id in zip(masks, track_ids):
            color = colors(int(track_id), True)
            txt_color = annotator.get_txt_color(color)
            annotator.seg_bbox(mask=mask, mask_color=color, label=str(track_id), txt_color=txt_color)

    out.write(im0)
    cv2.imshow("instance-segmentation-object-tracking", im0)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

out.release()
cap.release()
cv2.destroyAllWindows()

seg_bbox Argumentos

Nombre Tipo Por defecto Descripci贸n
mask array None Coordenadas de la m谩scara de segmentaci贸n
mask_color RGB (255, 0, 255) Color de m谩scara para cada casilla segmentada
label str None Etiqueta del objeto segmentado
txt_color RGB None Color de la etiqueta para el objeto segmentado y rastreado

Nota

Para cualquier consulta, no dude en publicar sus preguntas en la secci贸n de problemas deUltralytics o en la secci贸n de debate mencionada a continuaci贸n.

PREGUNTAS FRECUENTES

驴C贸mo se realiza la segmentaci贸n de instancias mediante Ultralytics YOLO11 ?

Para realizar la segmentaci贸n de instancias utilizando Ultralytics YOLO11 , inicialice el modelo YOLO con una versi贸n de segmentaci贸n de YOLO11 y procese los fotogramas de v铆deo a trav茅s de 茅l. He aqu铆 un ejemplo de c贸digo simplificado:

Ejemplo

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolo11n-seg.pt")  # segmentation model
cap = cv2.VideoCapture("path/to/video/file.mp4")
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

out = cv2.VideoWriter("instance-segmentation.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

while True:
    ret, im0 = cap.read()
    if not ret:
        break

    results = model.predict(im0)
    annotator = Annotator(im0, line_width=2)

    if results[0].masks is not None:
        clss = results[0].boxes.cls.cpu().tolist()
        masks = results[0].masks.xy
        for mask, cls in zip(masks, clss):
            annotator.seg_bbox(mask=mask, mask_color=colors(int(cls), True), det_label=model.model.names[int(cls)])

    out.write(im0)
    cv2.imshow("instance-segmentation", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

out.release()
cap.release()
cv2.destroyAllWindows()

Obtenga m谩s informaci贸n sobre la segmentaci贸n de instancias en la gu铆aUltralytics YOLO11 .

驴Cu谩l es la diferencia entre la segmentaci贸n de instancias y el seguimiento de objetos en Ultralytics YOLO11 ?

La segmentaci贸n de instancias identifica y perfila objetos individuales dentro de una imagen, asignando a cada objeto una etiqueta y una m谩scara 煤nicas. El seguimiento de objetos ampl铆a esta funci贸n asignando etiquetas coherentes a los objetos en todos los fotogramas de v铆deo, lo que facilita el seguimiento continuo de los mismos objetos a lo largo del tiempo. Encontrar谩 m谩s informaci贸n sobre estas diferencias en la documentaci贸n deUltralytics YOLO11 .

驴Por qu茅 deber铆a utilizar Ultralytics YOLO11 para la segmentaci贸n y el seguimiento, por ejemplo, en lugar de otros modelos como Mask R-CNN o Faster R-CNN?

Ultralytics YOLO11 ofrece rendimiento en tiempo real, precisi贸n superior y facilidad de uso en comparaci贸n con otros modelos como Mask R-CNN o Faster R-CNN. YOLO11 proporciona una integraci贸n perfecta con Ultralytics HUB, lo que permite a los usuarios gestionar modelos, conjuntos de datos y pipelines de entrenamiento de forma eficiente. Descubra m谩s sobre las ventajas de YOLO11 en el blogUltralytics .

驴C贸mo puedo realizar el seguimiento de objetos mediante Ultralytics YOLO11 ?

Para aplicar el seguimiento de objetos, utilice la funci贸n model.track y aseg煤rese de que el ID de cada objeto se asigna de forma coherente en todos los fotogramas. A continuaci贸n se muestra un ejemplo sencillo:

Ejemplo

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolo11n-seg.pt")  # segmentation model
cap = cv2.VideoCapture("path/to/video/file.mp4")
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

out = cv2.VideoWriter("instance-segmentation-object-tracking.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

while True:
    ret, im0 = cap.read()
    if not ret:
        break

    annotator = Annotator(im0, line_width=2)
    results = model.track(im0, persist=True)

    if results[0].boxes.id is not None and results[0].masks is not None:
        masks = results[0].masks.xy
        track_ids = results[0].boxes.id.int().cpu().tolist()

        for mask, track_id in zip(masks, track_ids):
            annotator.seg_bbox(mask=mask, mask_color=colors(track_id, True), track_label=str(track_id))

    out.write(im0)
    cv2.imshow("instance-segmentation-object-tracking", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

out.release()
cap.release()
cv2.destroyAllWindows()

M谩s informaci贸n en la secci贸n Segmentaci贸n y seguimiento de instancias.

驴Existen conjuntos de datos proporcionados por Ultralytics adecuados para entrenar modelos YOLO11 , por ejemplo de segmentaci贸n y seguimiento?

S铆, Ultralytics ofrece varios conjuntos de datos adecuados para el entrenamiento de modelos YOLO11 , incluidos conjuntos de datos de segmentaci贸n y seguimiento. Encontrar谩 ejemplos de conjuntos de datos, estructuras e instrucciones de uso en la documentaci贸nUltralytics Datasets.

Creado hace 12 meses 鉁忥笍 Actualizado hace 10 d铆as

Comentarios