Come isolare oggetti di segmentazione con Ultralytics YOLO#

Instance segmentation produce una maschera pixel-precisa per ogni oggetto rilevato, il che significa che puoi estrarre ciascun oggetto da un'immagine autonomamente. Questa guida ti mostra come trasformare i risultati della segmentazione di Ultralytics YOLO in oggetti isolati utilizzando la Predict Mode e OpenCV, con uno sfondo nero pieno o trasparente per il salvataggio in formato PNG.

Perché isolare gli oggetti di segmentazione?#

Estrarre singoli oggetti da un'immagine apre una serie di flussi di lavoro a valle:

• Rimozione dello sfondo per foto di prodotti, cataloghi o editing creativo.
• Ritagli per oggetto per costruire dataset di classificazione dalle tue rilevazioni.
• Elaborazione mirata affinché i passaggi successivi, come OCR, analisi del colore o misurazioni, vedano solo l'oggetto e non la scena circostante.
• Esportazione PNG trasparente per comporre oggetti su nuovi sfondi.

La procedura funziona con qualsiasi modello di segmentazione Ultralytics YOLO e segue quattro fasi: eseguire l'inferenza → estrarre ogni contorno → isolare l'oggetto → salvare il risultato.

Esegui inferenza di segmentazione#

Installa le librerie richieste, quindi carica un modello di segmentazione (il suffisso -seg, necessario per produrre le maschere) ed esegui la predizione sulla tua immagine di origine:

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")

Estrai contorni oggetto#

Ciascun elemento in results corrisponde a un'immagine e l'iterazione su un risultato produce un rilevamento alla volta. Per ogni rilevamento, copia l'immagine originale, leggi l'etichetta della classe e disegna il contorno della maschera dell'oggetto su una maschera binaria vuota. La regione bianca di questa maschera contrassegna esattamente quali pixel appartengono all'oggetto.

I frammenti di codice in questa sezione e nella successiva vengono eseguiti all'interno del ciclo di rilevamento sottostante; lo script completo e pronto da copiare si trova in Full Example.

{ 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)

Isola l'oggetto#

Con la maschera binaria pronta, combinala con l'immagine originale. Esistono due stili comuni, a seconda di quale sfondo desideri:

# 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]

Salva il risultato (opzionale)#

Cosa fare con ogni oggetto isolato dipende da te. Un passaggio successivo comune è salvarlo su disco per un uso futuro:

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

Qui img_name è la radice del nome dell'immagine di origine, label è il nome della classe e ci è l'indice di rilevamento, così istanze multiple della stessa classe otterranno nomi di file univoci. Sostituisci isolated con iso_crop se hai applicato il ritaglio opzionale precedente.

Esempio Completo#

Lo script sottostante unisce ogni passaggio in un unico blocco eseguibile. Utilizza uno sfondo nero per impostazione predefinita; modifica la singola riga contrassegnata in np.dstack([img, b_mask]) per ottenere invece un PNG trasparente:

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])

Per un uso ripetuto, racchiudi il corpo del ciclo in una funzione così da poterlo richiamare su molte immagini.

Conclusione#

Ora disponi di una procedura completa per isolare gli oggetti segmentati con Ultralytics YOLO: esegui l'inferenza, crea una maschera binaria da ciascun contorno, estrai quindi l'oggetto su uno sfondo nero o trasparente e facoltativamente ritaglialo rispetto alla sua bounding box. Esplora la documentazione completa di Segment Task e Predict Mode per adattare il flusso di lavoro alle tue classi.

FAQ#