Segmentação de instâncias e rastreamento usando Ultralytics YOLO26#
O que é segmentação de instâncias?#
A segmentação de instâncias é uma tarefa de visão computacional que envolve identificar e delinear objetos individuais em uma imagem no nível do pixel. Diferentemente da segmentação semântica, que apenas classifica os pixels por categoria, a segmentação de instâncias atribui rótulos exclusivos e delimita com precisão cada instância de objeto, o que a torna essencial para aplicações que exigem compreensão espacial detalhada, como imagens médicas, direção autônoma e automação industrial.
O Ultralytics YOLO26 oferece recursos avançados de segmentação de instâncias que permitem detectar com precisão os limites dos objetos, mantendo a velocidade e a eficiência pelas quais os modelos YOLO são conhecidos.
O pacote Ultralytics oferece dois tipos de rastreamento de segmentação de instâncias:
-
Segmentação de instâncias com objetos de classe: cada objeto de classe recebe uma cor exclusiva para facilitar a distinção visual.
-
Segmentação de instâncias com rastreamento de objetos: cada rastreamento é representado por uma cor distinta, facilitando a identificação e o acompanhamento ao longo dos quadros do vídeo.
Assista: Segmentação de instâncias com rastreamento de objetos usando Ultralytics YOLO26
Amostras#
| Segmentação de instâncias | Segmentação de instâncias + rastreamento de objetos |
|---|---|
 |  |
| Segmentação de instâncias da Ultralytics 😍 | Segmentação de instâncias da Ultralytics com rastreamento de objetos 🔥 |
Segmente e rastreie com YOLO26#
A solução InstanceSegmentation executa um modelo de segmentação YOLO26 em cada quadro, desenha máscaras para cada objeto e colore cada instância separadamente para que você possa acompanhar objetos individuais ao longo do vídeo. Carregue um modelo -seg e execute-o na sua fonte usando a API do Python ou a CLI.
# 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]"Argumentos de InstanceSegmentation#
Aqui está uma tabela com os argumentos de InstanceSegmentation:
| Argumento | Tipo | Padrão | Descrição |
|---|---|---|---|
model | str | None | Caminho para um arquivo de modelo Ultralytics YOLO. |
line_width | int | 2 | Espessura das linhas das caixas, dos pontos-chave e das contagens desenhados pela solução. |
verbose | bool | True | Ativa o registro por quadro da solução, com o formato da entrada, as contagens por classe e a velocidade de processamento. A chamada de rastreamento em si é sempre silenciosa. |
Você também pode aproveitar os argumentos track na solução InstanceSegmentation:
| Argumento | Tipo | Padrão | Descrição |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | Especifica o algoritmo de rastreamento a utilizar. Opções integradas: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.25 | Define o limiar de confiança das deteções; valores mais baixos permitem rastrear mais objetos, mas podem incluir falsos positivos. |
iou | float | 0.7 | Define o limiar de interseção sobre união (IoU) para filtrar deteções sobrepostas. |
classes | list | None | Filtra os resultados pelo índice da classe. Por exemplo, classes=[0, 2, 3] rastreia apenas as classes especificadas. |
device | str | None | Especifica o dispositivo para a inferência (por exemplo, cpu, cuda:0 ou 0). Permite escolher entre CPU, uma GPU específica ou outros dispositivos de computação para executar o modelo. |
imgsz | int or tuple | 640 | Tamanho da imagem de destino para a inferência: um número inteiro para uma imagem quadrada ou um par (height, width). As dimensões são ajustadas ao stride do modelo. |
max_det | int | 300 | Número máximo de deteções mantidas por fotograma antes do rastreamento, limitando os objetos que uma solução processa em cenas densas. |
quantize | int or str | None | Precisão da inferência: 16 (FP16) ou 32/não definido (FP32) para modelos PyTorch e TorchScript; os outros formatos calculam com a precisão selecionada pelo artefacto e pelo ambiente de execução. Substitui a opção half, obsoleta. |
Além disso, estão disponíveis os seguintes argumentos de visualização:
| Argumento | Tipo | Padrão | Descrição |
|---|---|---|---|
show | bool | False | Se True, exibe as imagens ou os vídeos anotados em uma janela. Útil para obter feedback visual imediato durante o desenvolvimento ou os testes. |
show_conf | bool | True | Exibe a pontuação de confiança de cada detecção junto ao rótulo. Mostra o grau de certeza do modelo em cada detecção. |
show_labels | bool | True | Exibe os rótulos de cada detecção na saída visual. Permite identificar imediatamente os objetos detectados. |
show_boxes | bool | True | Desenha caixas delimitadoras ao redor dos objetos detectados. Essencial para identificar visualmente e localizar objetos em imagens ou quadros de vídeo. |
Aplicações da segmentação de instâncias#
A segmentação de instâncias com YOLO26 tem inúmeras aplicações práticas em diversos setores:
Gestão de resíduos e reciclagem#
O YOLO26 pode ser usado em instalações de gestão de resíduos para identificar e classificar diferentes tipos de materiais. O modelo pode segmentar resíduos plásticos, papelão, metal e outros materiais recicláveis com alta precisão, permitindo que sistemas de classificação automatizados processem resíduos com mais eficiência. Isso é especialmente valioso considerando que apenas cerca de 10% dos 7 bilhões de toneladas de resíduos plásticos gerados no mundo são reciclados.
Veículos autônomos#
Em carros autônomos, a segmentação de instâncias ajuda a identificar e rastrear pedestres, veículos, sinais de trânsito e outros elementos da via no nível do pixel. Essa compreensão precisa do ambiente é fundamental para decisões de navegação e segurança. O desempenho em tempo real do YOLO26 o torna ideal para essas aplicações que exigem rapidez.
Imagens médicas#
A segmentação de instâncias pode identificar e delinear tumores, órgãos ou estruturas celulares em exames médicos. A capacidade do YOLO26 de delimitar com precisão os contornos dos objetos o torna valioso para o diagnóstico médico e o planejamento do tratamento.
Monitoramento de canteiros de obras#
Em canteiros de obras, a segmentação de instâncias pode rastrear máquinas pesadas, trabalhadores e materiais. Isso ajuda a garantir a segurança ao monitorar a posição dos equipamentos e detectar quando trabalhadores entram em áreas perigosas, além de otimizar o fluxo de trabalho e a alocação de recursos.
Perguntas frequentes#
Para fazer a segmentação de instâncias usando o Ultralytics YOLO26, inicialize o modelo YOLO com uma versão do YOLO26 para segmentação e processe os quadros do vídeo com ele. Veja um exemplo simplificado de código:
import cv2 from ultralytics import solutions cap = cv2.VideoCapture("path/to/video.mp4") assert cap.isOpened(), "Error reading video file" # Gravador de vídeo 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)) # Inicializar InstanceSegmentation isegment = solutions.InstanceSegmentation( show=True, # # Apresenta o resultado model="yolo26n-seg.pt", # model="yolo26n-seg.pt" para segmentação de objetos usando YOLO26. ) # Processa o vídeo 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()Saiba mais sobre segmentação de instâncias no guia do Ultralytics YOLO26.
A segmentação de instâncias identifica e delimita objetos individuais em uma imagem, atribuindo a cada objeto um rótulo e uma máscara exclusivos. O rastreamento de objetos amplia esse recurso ao atribuir IDs consistentes aos objetos entre os quadros do vídeo, permitindo acompanhar continuamente os mesmos objetos ao longo do tempo. Quando combinados, como na implementação do YOLO26, esses recursos permitem analisar o movimento e o comportamento dos objetos em vídeos, mantendo informações precisas sobre seus limites.
O Ultralytics YOLO26 oferece desempenho em tempo real, precisão superior e facilidade de uso em comparação com outros modelos, como Mask R-CNN ou Faster R-CNN. O YOLO26 processa imagens em uma única passagem (detecção de estágio único), o que o torna significativamente mais rápido sem deixar de manter alta precisão. Ele também se integra perfeitamente à plataforma Ultralytics, permitindo que os usuários gerenciem modelos, conjuntos de dados e fluxos de treinamento com eficiência. Para aplicações que exigem velocidade e precisão, o YOLO26 oferece um equilíbrio ideal.
Sim. A Ultralytics oferece vários conjuntos de dados adequados para treinar modelos YOLO26 para segmentação de instâncias, incluindo COCO-Seg, COCO8-Seg (um subconjunto menor para testes rápidos), Package-Seg e Crack-Seg. Esses conjuntos de dados incluem as anotações no nível do pixel necessárias para tarefas de segmentação de instâncias. Para aplicações mais especializadas, você também pode criar conjuntos de dados personalizados seguindo o formato da Ultralytics. As informações completas sobre os conjuntos de dados e as instruções de uso estão disponíveis na documentação de conjuntos de dados da Ultralytics.