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

La segmentation d'instances identifie et détourer des objets individuels dans une image, en donnant à chaque objet une étiquette et un masque uniques. Le suivi d'objets étend cela en assignant des identifiants cohérents aux objets à travers les images vidéo, facilitant le suivi continu des mêmes objets au fil du temps. Lorsqu'ils sont combinés, comme dans l'implémentation de YOLO26, tu obtiens de puissantes capacités pour analyser le mouvement et le comportement des objets dans les vidéos tout en conservant des informations de contour précises.

Pourquoi devrais-je 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 seule étape), ce tout en maintenant une haute précision et en le rendant nettement plus rapide. Il offre également une intégration transparente avec la plateforme Ultralytics, permettant aux utilisateurs de gérer efficacement les modèles, les jeux de données et les pipelines d'entraînement. Pour les applications nécessitant à la fois de la vitesse et de la précision, YOLO26 fournit un équilibre optimal.

Existe-t-il des jeux de données fournis par Ultralytics adaptés à l'entraînement des 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 pour des tests rapides), Package-Seg et Crack-Seg. Ces jeux de données sont fournis avec les annotations au niveau du pixel nécessaires pour les tâches de segmentation d'instances. Pour des applications plus spécialisées, tu peux également créer des jeux de données personnalisés en suivant le format Ultralytics. Des informations complètes sur les jeux de données et des instructions d'utilisation se trouvent dans la documentation des jeux de données Ultralytics.

Segmentation d'instances et suivi avec 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 à détourer des objets individuels dans une image au niveau du pixel. Contrairement à la segmentation sémantique qui se contente de classifier les pixels par catégorie, la segmentation d'instances étiquette de manière unique et délimite précisément chaque instance d'objet, 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 qui permettent une détection précise des contours d'objets tout en maintenant la vitesse et l'efficacité qui caractérisent les modèles YOLO.

Il existe deux types de suivi de segmentation d'instances disponibles dans le package Ultralytics :

Segmentation d'instances avec objets de classe : Chaque objet de classe se voit attribuer une couleur unique pour une séparation visuelle claire.
Segmentation d'instances avec suivi d'objets : Chaque suivi est représenté par une couleur distincte, facilitant l'identification et le suivi sur les images vidéo.

Watch: Instance Segmentation with Object Tracking using Ultralytics YOLO26

Échantillons#

Segmentation d'instance	Segmentation d'instances + Suivi d'objets

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

Segmente et suis avec YOLO26#

La solution InstanceSegmentation exécute un modèle de segmentation YOLO26 sur chaque image, trace des masques par objet et colorie chaque instance séparément pour te permettre de suivre des objets individuels à travers une vidéo. Charge un modèle -seg, puis exécute-le sur ta source avec l'API Python ou le CLI.

Segmentation d'instances en utilisant 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 avec les arguments de InstanceSegmentation :

Argument	Type	Défaut	Description
`model`	`str`	`None`	Chemin d'accès vers un fichier de modèle YOLO d'Ultralytics.
`line_width`	`int`	`2`	Épaisseur de ligne pour les boîtes, les points clés et les comptes tracés par la solution.
`verbose`	`bool`	`True`	Active le journal par trame de la solution concernant la forme d'entrée, les comptes de classes et la vitesse de traitement. L'appel de suivi reste toujours silencieux.

Tu peux également profiter des arguments de track au sein de la solution InstanceSegmentation :

Argument	Type	Défaut	Description
`tracker`	`str`	`'botsort.yaml'`	Spécifie 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 pour les détections ; des valeurs plus faibles permettent de suivre plus d'objets, mais peuvent inclure des faux positifs.
`iou`	`float`	`0.7`	Définit le seuil d'Intersection over Union (IoU) pour filtrer les détections qui se chevauchent.
`classes`	`list`	`None`	Filtre les résultats par index de classe. Par exemple, `classes=[0, 2, 3]` ne suit que les classes spécifiées.
`device`	`str`	`None`	Spécifie le périphérique pour l'inférence (par exemple, `cpu`, `cuda:0` ou `0`). Permet aux utilisateurs de choisir entre le CPU, un GPU spécifique ou d'autres périphériques de calcul pour l'exécution du modèle.

De plus, les arguments de visualisation suivants sont disponibles :

Argument	Type	Défaut	Description
`show`	`bool`	`False`	Si `True`, affiche les images ou vidéos annotées dans une fenêtre. Utile pour un retour visuel immédiat pendant le développement ou les tests.
`show_conf`	`bool`	`True`	Affiche le score de confiance pour chaque détection à côté de l'étiquette. Donne un aperçu de la certitude du modèle pour chaque détection.
`show_labels`	`bool`	`True`	Affiche les étiquettes pour chaque détection dans la sortie visuelle. Permet une compréhension immédiate des objets détectés.
`show_boxes`	`bool`	`True`	Dessine des boîtes englobantes autour des objets détectés. Essentiel pour l'identification visuelle et la localisation d'objets dans des images ou des trames vidéo.

Applications de la segmentation d'instances#

La segmentation d'instances avec YOLO26 a de nombreuses applications concrètes dans divers secteurs :

Gestion et recyclage des déchets#

YOLO26 peut être utilisé dans les centres de tri des déchets pour identifier et trier différents types de matériaux. Le modèle peut segmenter les déchets plastiques, le carton, le métal et d'autres matières recyclables avec une haute précision, permettant aux systèmes de tri automatisés de traiter les déchets plus efficacement. C'est particulièrement précieux quand on sait que seulement 10 % environ des 7 milliards de tonnes de déchets plastiques générés 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 d'autres éléments routiers au niveau du pixel. Cette compréhension précise de l'environnement est cruciale pour la navigation et les décisions de 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 détourer des tumeurs, des organes ou des structures cellulaires dans des 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 de chantier#

Sur les chantiers de construction, la segmentation d'instances peut suivre les engins lourds, les travailleurs et les matériaux. Cela aide à assurer la sécurité en surveillant les positions des équipements et en détectant lorsque les travailleurs entrent 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 segmentation de YOLO26 et traite les images vidéo via 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()

Apprends-en plus sur la segmentation d'instances dans le guide Ultralytics YOLO26.

La segmentation d'instances identifie et détourer des objets individuels dans une image, en donnant à chaque objet une étiquette et un masque uniques. Le suivi d'objets étend cela en assignant des identifiants cohérents aux objets à travers les images vidéo, facilitant le suivi continu des mêmes objets au fil du temps. Lorsqu'ils sont combinés, comme dans l'implémentation de YOLO26, tu obtiens de puissantes capacités pour analyser le mouvement et le comportement des objets dans les vidéos tout en conservant des informations de contour précises.
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 seule étape), ce tout en maintenant une haute précision et en le rendant nettement plus rapide. Il offre également une intégration transparente avec la plateforme Ultralytics, permettant aux utilisateurs de gérer efficacement les modèles, les jeux de données et les pipelines d'entraînement. Pour les applications nécessitant à la fois de la vitesse et de la précision, YOLO26 fournit 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 pour des tests rapides), Package-Seg et Crack-Seg. Ces jeux de données sont fournis avec les annotations au niveau du pixel nécessaires pour les tâches de segmentation d'instances. Pour des applications plus spécialisées, tu peux également créer des jeux de données personnalisés en suivant le format Ultralytics. Des informations complètes sur les jeux de données et des instructions d'utilisation se trouvent dans la documentation des jeux de données Ultralytics.

Contributeurs

GLglenn-jocher¹⁷ RIRizwanMunawar⁸ RAraimbekovm⁶ MImiles-deans-ultralytics¹ PDpderrenger¹ LEleonnil¹ MAMatthewNoyce¹ IVIvorZhu331¹

Créé 18 déc. 2023Mis à jour il y a 6 jours