Link to this sectionCómo aislar objetos segmentados con Ultralytics YOLO#

La segmentación de instancias produce una máscara con precisión de píxel para cada objeto detectado, lo que significa que puedes extraer cada objeto de una imagen por separado. Esta guía te muestra cómo convertir los resultados de segmentación de Ultralytics YOLO en objetos aislados usando Predict Mode y OpenCV, ya sea con un fondo negro sólido o uno transparente para guardar como PNG.

Link to this section¿Por qué aislar objetos segmentados?#

Extraer objetos individuales de una imagen abre una serie de flujos de trabajo posteriores:

• Eliminación de fondo para fotografías de productos, catálogos o edición creativa.
• Recortes por objeto para crear conjuntos de datos de clasificación a partir de tus detecciones.
• Procesamiento enfocado para que los pasos posteriores como OCR, análisis de color o medición vean solo el objeto, no la escena circundante.
• Exportación a PNG transparente para componer objetos sobre nuevos fondos.

La receta funciona con cualquier modelo de segmentación de Ultralytics YOLO y sigue cuatro etapas: ejecutar inferencia → extraer cada contorno → aislar el objeto → guardar el resultado.

Link to this sectionEjecutar la inferencia de segmentación#

Instala las librerías necesarias, carga un modelo de segmentación (el sufijo -seg, necesario para producir máscaras) y ejecuta la predicción en tu imagen de origen:

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")

Link to this sectionExtraer contornos de objetos#

Cada elemento en results corresponde a una imagen, e iterar sobre un resultado arroja una detección a la vez. Para cada detección, copia la imagen original, lee la etiqueta de clase y dibuja el contorno de la máscara del objeto en una máscara binaria en blanco. La región blanca de esta máscara marca exactamente qué píxeles pertenecen al objeto.

Los fragmentos de esta sección y la siguiente se ejecutan dentro del bucle de detección a continuación; el script completo para copiar y pegar está en Ejemplo completo.

{ width="240", align="right" }

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)

Link to this sectionAislar el objeto#

Con la máscara binaria lista, combínala con la imagen original. Hay dos estilos comunes, dependiendo de lo que quieras que sea el fondo:

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

# 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]

Link to this sectionGuardar el resultado (opcional)#

Lo que hagas con cada objeto aislado depende de ti. Un siguiente paso común es escribirlo en el disco para su uso posterior:

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

Aquí img_name es la raíz de la imagen de origen, label es el nombre de la clase y ci es el índice de detección, de modo que múltiples instancias de la misma clase obtengan nombres de archivo únicos. Cambia isolated por iso_crop si aplicaste el recorte opcional anterior.

Link to this sectionEjemplo completo#

El script a continuación combina cada paso en un único bloque ejecutable. Utiliza un fondo negro por defecto; cambia la línea marcada por np.dstack([img, b_mask]) para obtener un PNG transparente en su lugar:

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])

Para uso repetido, envuelve el cuerpo del bucle en una función para que puedas llamarla en muchas imágenes.

Link to this sectionConclusión#

Ahora tienes una receta completa para aislar objetos segmentados con Ultralytics YOLO: ejecuta la inferencia, construye una máscara binaria a partir de cada contorno, luego extrae el objeto sobre un fondo negro o transparente y, opcionalmente, recórtalo a su caja delimitadora. Explora la documentación completa de Segment Task y Predict Mode para adaptar el flujo de trabajo a tus propias clases.

Link to this sectionFAQ#

Link to this section¿Cómo aíslo objetos usando Ultralytics YOLO para tareas de segmentación?#

Carga un modelo de segmentación, ejecuta la inferencia, construye una máscara binaria a partir del contorno de cada detección y combínala con la imagen original:

import cv2
import numpy as np

from ultralytics import YOLO

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

img = np.copy(results[0].orig_img)
b_mask = np.zeros(img.shape[:2], np.uint8)
contour = results[0].masks.xy[0].astype(np.int32).reshape(-1, 1, 2)
cv2.drawContours(b_mask, [contour], -1, (255, 255, 255), cv2.FILLED)

mask3ch = cv2.cvtColor(b_mask, cv2.COLOR_GRAY2BGR)
isolated = cv2.bitwise_and(mask3ch, img)

Consulta el Ejemplo completo para ver el bucle completo por detección.

Link to this section¿Qué opciones hay disponibles para guardar los objetos aislados después de la segmentación?#

Hay dos estilos principales. Para un fondo negro, convierte la máscara a tres canales y usa cv2.bitwise_and(). Para un fondo transparente (al guardar como PNG), apila la máscara como un cuarto canal alfa con np.dstack([img, b_mask]). Ambos se muestran en Aislar el objeto.

Link to this section¿Cómo puedo recortar objetos aislados a sus cajas delimitadoras?#

Lee las coordenadas de la caja delimitadora de la detección y recorta la imagen aislada:

x1, y1, x2, y2 = results[0].boxes.xyxy[0].cpu().numpy().astype(np.int32)
iso_crop = isolated[y1:y2, x1:x2]

Aprende más sobre los resultados de las cajas delimitadoras en la documentación de Predict Mode.

Link to this section¿Por qué debería usar Ultralytics YOLO para el aislamiento de objetos en tareas de segmentación?#

Ultralytics YOLO proporciona segmentación de instancias rápida y en tiempo real con generación precisa de máscaras y cajas delimitadoras, además de una API de Python sencilla que convierte los resultados de inferencia en objetos aislados con unas pocas líneas de código de OpenCV.

Link to this section¿Puedo guardar objetos aislados incluyendo el fondo usando Ultralytics YOLO?#

Sí. Usa el argumento save_crop en predict() para guardar recortes de cajas delimitadoras con su fondo original:

results = model.predict(source="path/to/your/image.jpg", save_crop=True)

Lee más en la sección Argumentos de inferencia de Predict Mode.