Quelle est la différence entre la segmentation d’instances et le suivi d’objets dans Ultralytics YOLO26 ?

La segmentation d’instances identifie et délimite les objets individuels d’une image, en attribuant à chacun un label et un masque uniques. Le suivi d’objets étend cette fonctionnalité en attribuant des ID cohérents aux objets d’une image vidéo à l’autre, ce qui permet de suivre continuellement les mêmes objets au fil du temps. Lorsqu’elles sont combinées, comme dans l’implémentation de YOLO26, ces fonctionnalités permettent d’analyser efficacement les mouvements et le comportement des objets dans les vidéos tout en conservant des informations précises sur leurs contours.

Pourquoi utiliser Ultralytics YOLO26 pour la segmentation d’instances et le suivi plutôt que d’autres modèles comme Mask R-CNN ou Faster R-CNN ?

Ultralytics YOLO26 offre des performances en temps réel, une précision supérieure et une grande facilité d’utilisation par rapport à d’autres modèles comme Mask R-CNN ou Faster R-CNN. YOLO26 traite les images en un seul passage (détection en une étape), ce qui le rend nettement plus rapide tout en conservant une grande précision. Il s’intègre également de manière fluide à l’Ultralytics Platform, ce qui permet de gérer efficacement les modèles, les jeux de données et les pipelines d’entraînement. Pour les applications nécessitant à la fois rapidité et précision, YOLO26 offre un équilibre optimal.

Ultralytics fournit-il des jeux de données adaptés à l’entraînement de modèles YOLO26 pour la segmentation d’instances et le suivi ?

Oui, Ultralytics propose plusieurs jeux de données adaptés à l’entraînement de modèles YOLO26 pour la segmentation d’instances, notamment COCO-Seg, COCO8-Seg (un sous-ensemble plus petit destiné aux tests rapides), Package-Seg et Crack-Seg. Ces jeux de données comprennent les annotations au niveau des pixels nécessaires aux tâches de segmentation d’instances. Pour des applications plus spécialisées, tu peux également créer des jeux de données personnalisés en suivant le format Ultralytics. Tu trouveras toutes les informations sur les jeux de données et les instructions d’utilisation dans la documentation Ultralytics sur les jeux de données.

Segmentation d'instances et suivi à l'aide d'Ultralytics YOLO26#

Qu’est-ce que la segmentation d’instances ?#

La segmentation d’instances est une tâche de vision par ordinateur qui consiste à identifier et délimiter chaque objet d’une image au niveau des pixels. Contrairement à la segmentation sémantique, qui classe uniquement les pixels par catégorie, la segmentation d’instances attribue un label unique à chaque instance d’objet et la délimite avec précision, ce qui la rend essentielle pour les applications nécessitant une compréhension spatiale détaillée, comme l’imagerie médicale, la conduite autonome et l’automatisation industrielle.

Ultralytics YOLO26 offre de puissantes capacités de segmentation d’instances, permettant une détection précise des contours des objets tout en conservant la vitesse et l’efficacité qui font la réputation des modèles YOLO.

Deux types de suivi par segmentation d’instances sont disponibles dans le package Ultralytics :

Segmentation d’instances avec des objets de classe : une couleur unique est attribuée à chaque objet de classe afin de bien les distinguer visuellement.
Segmentation d’instances avec des trajectoires d’objets : chaque trajectoire est représentée par une couleur distincte, ce qui facilite l’identification et le suivi d’une image vidéo à l’autre.

Watch: Instance Segmentation with Object Tracking using Ultralytics YOLO26

Échantillons#

Segmentation d’instances	Segmentation d’instances + suivi d’objets

Segmentation d’instances Ultralytics 😍	Segmentation d’instances Ultralytics avec suivi d’objets 🔥

Segmenter et suivre avec YOLO26#

La solution InstanceSegmentation exécute un modèle de segmentation YOLO26 sur chaque image, dessine les masques de chaque objet et attribue une couleur différente à chaque instance afin que tu puisses suivre les objets individuellement dans une vidéo. Charge un modèle -seg, puis exécute-le sur ta source avec l’API Python ou la CLI.

Segmentation d’instances avec Ultralytics YOLO

# 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]"

Arguments de `InstanceSegmentation`#

Voici un tableau présentant les arguments de InstanceSegmentation :

Argument	Type	Valeur par défaut	Description
`model`	`str`	`None`	Chemin vers un fichier de modèle Ultralytics YOLO.
`line_width`	`int`	`2`	Épaisseur des lignes des boîtes, des points clés et des comptages dessinés par la solution.
`verbose`	`bool`	`True`	Active le journal par image de la solution, qui indique la forme d'entrée, les comptages par classe et la vitesse de traitement. L'appel de suivi lui-même est toujours silencieux.

Tu peux également utiliser les arguments de track dans la solution InstanceSegmentation :

Argument	Type	Valeur par défaut	Description
`tracker`	`str`	`'botsort.yaml'`	Indique l'algorithme de suivi à utiliser. Options intégrées : `botsort.yaml`, `bytetrack.yaml`, `ocsort.yaml`, `deepocsort.yaml`, `fasttrack.yaml`, `tracktrack.yaml`.
`conf`	`float`	`0.25`	Définit le seuil de confiance des détections ; des valeurs plus faibles permettent de suivre davantage d'objets, mais peuvent inclure des faux positifs.
`iou`	`float`	`0.7`	Définit le seuil d'intersection sur union (IoU) pour filtrer les détections qui se chevauchent.
`classes`	`list`	`None`	Filtre les résultats par indice de classe. Par exemple, `classes=[0, 2, 3]` ne suit que les classes spécifiées.
`device`	`str`	`None`	Indique le périphérique utilisé pour l'inférence (par exemple, `cpu`, `cuda:0` ou `0`). Permet de choisir entre le CPU, un GPU spécifique ou d'autres périphériques de calcul pour l'exécution du modèle.
`imgsz`	`int or tuple`	`640`	Taille de l'image d'inférence cible : un entier pour un carré ou une paire `(height, width)`. Les formes sont ajustées au pas du modèle.
`max_det`	`int`	`300`	Nombre maximal de détections conservées par image avant le suivi, ce qui limite les objets traités par une solution dans les scènes denses.
`quantize`	`int or str`	`None`	Précision de l'inférence : `16` (FP16) ou `32`/non définie (FP32) pour les modèles PyTorch et TorchScript ; les autres formats s'exécutent à la précision sélectionnée par leur artefact et leur environnement d'exécution. Remplace l'indicateur déprécié `half`.

De plus, les arguments de visualisation suivants sont disponibles :

Argument	Type	Valeur par défaut	Description
`show`	`bool`	`False`	Si `True`, affiche les images ou vidéos annotées dans une fenêtre. Utile pour obtenir un retour visuel immédiat pendant le développement ou les tests.
`show_conf`	`bool`	`True`	Affiche le score de confiance de chaque détection à côté de son étiquette. Donne un aperçu du degré de certitude du modèle pour chaque détection.
`show_labels`	`bool`	`True`	Affiche les étiquettes de chaque détection dans la sortie visuelle. Permet d’identifier immédiatement les objets détectés.
`show_boxes`	`bool`	`True`	Dessine des boîtes englobantes autour des objets détectés. Essentiel pour identifier visuellement les objets et les localiser dans les images ou les images vidéo.

Applications de la segmentation d’instances#

La segmentation d’instances avec YOLO26 offre de nombreuses applications concrètes dans différents secteurs :

Gestion et recyclage des déchets#

YOLO26 peut être utilisé dans des installations de gestion des déchets pour identifier et trier différents types de matériaux. Le modèle peut segmenter avec une grande précision les déchets plastiques, le carton, le métal et d’autres matériaux recyclables, ce qui permet aux systèmes de tri automatisés de traiter les déchets plus efficacement. C’est particulièrement utile sachant qu’environ 10 % seulement des 7 milliards de tonnes de déchets plastiques produits dans le monde sont recyclés.

Véhicules autonomes#

Dans les voitures autonomes, la segmentation d’instances aide à identifier et à suivre les piétons, les véhicules, les panneaux de signalisation et les autres éléments de la route au niveau des pixels. Cette compréhension précise de l’environnement est essentielle pour la navigation et les décisions liées à la sécurité. Les performances en temps réel de YOLO26 le rendent idéal pour ces applications sensibles au facteur temps.

Imagerie médicale#

La segmentation d’instances peut identifier et délimiter les tumeurs, les organes ou les structures cellulaires dans les examens médicaux. La capacité de YOLO26 à délimiter précisément les contours des objets le rend précieux pour le diagnostic médical et la planification des traitements.

Surveillance des chantiers de construction#

Sur les chantiers de construction, la segmentation d’instances peut suivre les engins lourds, les travailleurs et les matériaux. Elle contribue à garantir la sécurité en surveillant la position des équipements et en détectant l’entrée de travailleurs dans des zones dangereuses, tout en optimisant le flux de travail et l’allocation des ressources.

FAQ#

Pour effectuer une segmentation d’instances avec Ultralytics YOLO26, initialise le modèle YOLO avec une version segmentée de YOLO26 et traite les images vidéo avec celui-ci. Voici un exemple de code simplifié :

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()

Pour en savoir plus sur la segmentation d’instances, consulte le guide Ultralytics YOLO26.

La segmentation d’instances identifie et délimite les objets individuels d’une image, en attribuant à chacun un label et un masque uniques. Le suivi d’objets étend cette fonctionnalité en attribuant des ID cohérents aux objets d’une image vidéo à l’autre, ce qui permet de suivre continuellement les mêmes objets au fil du temps. Lorsqu’elles sont combinées, comme dans l’implémentation de YOLO26, ces fonctionnalités permettent d’analyser efficacement les mouvements et le comportement des objets dans les vidéos tout en conservant des informations précises sur leurs contours.
Ultralytics YOLO26 offre des performances en temps réel, une précision supérieure et une grande facilité d’utilisation par rapport à d’autres modèles comme Mask R-CNN ou Faster R-CNN. YOLO26 traite les images en un seul passage (détection en une étape), ce qui le rend nettement plus rapide tout en conservant une grande précision. Il s’intègre également de manière fluide à l’Ultralytics Platform, ce qui permet de gérer efficacement les modèles, les jeux de données et les pipelines d’entraînement. Pour les applications nécessitant à la fois rapidité et précision, YOLO26 offre un équilibre optimal.
Oui, Ultralytics propose plusieurs jeux de données adaptés à l’entraînement de modèles YOLO26 pour la segmentation d’instances, notamment COCO-Seg, COCO8-Seg (un sous-ensemble plus petit destiné aux tests rapides), Package-Seg et Crack-Seg. Ces jeux de données comprennent les annotations au niveau des pixels nécessaires aux tâches de segmentation d’instances. Pour des applications plus spécialisées, tu peux également créer des jeux de données personnalisés en suivant le format Ultralytics. Tu trouveras toutes les informations sur les jeux de données et les instructions d’utilisation dans la documentation Ultralytics sur les jeux de données.

Contributeurs

GLglenn-jocher¹⁸ RIRizwanMunawar⁸ RAraimbekovm⁷ MImiles-deans-ultralytics¹ PDpderrenger¹ LEleonnil¹ MAMatthewNoyce¹ IVIvorZhu331¹

Créé 18 déc. 2023Mis à jour il y a 4 jours