Cómo aislar objetos segmentados con Ultralytics YOLO#

La segmentación de instancias genera una máscara precisa a nivel de píxel para cada objeto detectado, lo que te permite extraer cada objeto de una imagen por separado. Esta guía te muestra cómo convertir los resultados de segmentación de Ultralytics YOLO en objetos aislados con Predict Mode y OpenCV, usando un fondo negro sólido o uno transparente para guardarlos como PNG.

¿Por qué aislar objetos segmentados?#

Extraer objetos individuales de una imagen permite llevar a cabo distintos flujos de trabajo posteriores:

• Eliminación del fondo en imágenes de productos, catálogos o edición creativa.
• Recortes por objeto para crear conjuntos de datos de clasificación a partir de tus detecciones.
• Procesamiento focalizado para que los pasos posteriores, como el OCR, el análisis del color o las mediciones, solo procesen el objeto y no la escena que lo rodea.
• Exportación a PNG transparente para componer objetos sobre fondos nuevos.

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

Ejecutar la inferencia de segmentación#

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

from ultralytics import YOLO

# Cargar un modelo de segmentación
model = YOLO("yolo26n-seg.pt")

# Ejecutar la inferencia en una imagen de origen
results = model.predict(source="path/to/image.jpg")

Extraer los contornos de los objetos#

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

Los fragmentos de código de esta sección y de la siguiente se ejecutan dentro del bucle de detección que aparece abajo; encontrarás el script completo, listo para copiar y pegar, en Ejemplo completo.

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  # nombre base de la imagen de origen

    # Iterar por cada objeto detectado en la imagen
    for ci, c in enumerate(r):
        label = c.names[c.boxes.cls.tolist().pop()]  # nombre de la clase

        # Crear una máscara binaria y dibujar en ella el contorno del objeto
        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)

Aislar el objeto#

Con la máscara binaria lista, combínala con la imagen original. Hay dos estilos habituales, según el fondo que quieras:

Elige un estilo de aislamiento

Fondo negroFondo transparente

Convierte la máscara a tres canales y conserva solo los píxeles que se solapan con el objeto. Todo lo que quede fuera del contorno se vuelve negro:

# Aislar el objeto con un fondo negro
mask3ch = cv2.cvtColor(b_mask, cv2.COLOR_GRAY2BGR)
isolated = cv2.bitwise_and(mask3ch, img)

Recortar al cuadro delimitador

Para conservar solo la región del objeto en lugar de la imagen completa, recórtala según el cuadro delimitador de la detección:

# Coordenadas del cuadro delimitador
x1, y1, x2, y2 = c.boxes.xyxy.cpu().numpy().squeeze().astype(np.int32)
# Recortar la imagen aislada a la región del objeto
iso_crop = isolated[y1:y2, x1:x2]

Guardar el resultado (opcional)#

Tú decides qué hacer con cada objeto aislado. Un paso habitual es guardarlo en disco para usarlo más adelante:

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

Aquí, img_name es el nombre base de la imagen de origen, label es el nombre de la clase y ci es el índice de detección, de modo que las distintas instancias de una misma clase obtienen nombres de archivo únicos. Sustituye isolated por iso_crop si has aplicado el recorte opcional anterior.

Ejemplo completo#

El siguiente script combina todos los pasos en un único bloque ejecutable. Usa un fondo negro de forma predeterminada; cambia la única línea indicada por np.dstack([img, b_mask]) para obtener un PNG transparente:

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])

Si vas a usarlo repetidamente, mete el cuerpo del bucle en una función para poder llamarla con muchas imágenes.

Conclusión#

Ya tienes una receta completa para aislar objetos segmentados con Ultralytics YOLO: ejecuta la inferencia, crea una máscara binaria a partir de cada contorno y, después, extrae el objeto sobre un fondo negro o transparente y, si quieres, recórtalo a su cuadro delimitador. Explora la documentación completa de Segment Task y Predict Mode para adaptar el flujo de trabajo a tus propias clases.

Preguntas frecuentes#