Qual é a diferença entre a segmentação de instâncias e o rastreamento de objetos no Ultralytics YOLO26?

A segmentação de instâncias identifica e delimita objetos individuais numa imagem, atribuindo a cada objeto um rótulo e uma máscara exclusivos. O rastreamento de objetos vai mais longe, atribuindo IDs consistentes aos objetos entre fotogramas de vídeo, o que facilita o rastreamento contínuo dos mesmos objetos ao longo do tempo. Quando combinados, como na implementação do YOLO26, estes recursos permitem analisar eficazmente o movimento e o comportamento dos objetos em vídeos, mantendo informações precisas sobre os limites.

Porque devo utilizar o Ultralytics YOLO26 para segmentação e rastreamento de instâncias em vez de outros modelos, como Mask R-CNN ou Faster R-CNN?

O Ultralytics YOLO26 oferece desempenho em tempo real, precisão superior e facilidade de utilização em comparação com outros modelos, como Mask R-CNN ou Faster R-CNN. O YOLO26 processa as imagens numa única passagem (deteção numa só etapa), tornando-se significativamente mais rápido e mantendo uma elevada precisão. Também proporciona uma integração perfeita com a Ultralytics Platform, permitindo gerir modelos, conjuntos de dados e pipelines de treino de forma eficiente. Para aplicações que exigem velocidade e precisão, o YOLO26 oferece um equilíbrio ideal.

A Ultralytics disponibiliza conjuntos de dados adequados para treinar modelos YOLO26 para segmentação e rastreamento de instâncias?

Sim, a Ultralytics disponibiliza vários conjuntos de dados adequados para treinar modelos YOLO26 para segmentação de instâncias, incluindo COCO-Seg, COCO8-Seg (um subconjunto mais pequeno para testes rápidos), Package-Seg e Crack-Seg. Estes conjuntos de dados incluem as anotações ao nível dos píxeis necessárias para tarefas de segmentação de instâncias. Para aplicações mais especializadas, também podes criar conjuntos de dados personalizados seguindo o formato da Ultralytics. Podes encontrar informações completas sobre os conjuntos de dados e instruções de utilização na documentação de conjuntos de dados da Ultralytics.

Segmentação e Rastreamento de Instâncias usando o Ultralytics YOLO26#

O que é a segmentação de instâncias?#

A segmentação de instâncias é uma tarefa de visão computacional que envolve identificar e delinear objetos individuais numa imagem ao nível dos píxeis. Ao contrário da segmentação semântica, que apenas classifica os píxeis por categoria, a segmentação de instâncias atribui rótulos exclusivos e delimita com precisão cada instância de objeto, tornando-a essencial para aplicações que exigem uma compreensão espacial detalhada, como imagiologia médica, condução autónoma e automação industrial.

O Ultralytics YOLO26 oferece capacidades avançadas de segmentação de instâncias que permitem detetar com precisão os limites dos objetos, mantendo a velocidade e a eficiência pelas quais os modelos YOLO são conhecidos.

Existem dois tipos de rastreamento de segmentação de instâncias disponíveis no pacote Ultralytics:

Segmentação de instâncias com objetos de classe: a cada objeto de classe é atribuída uma cor exclusiva para uma separação visual clara.
Segmentação de instâncias com rastreamentos de objetos: cada rastreamento é representado por uma cor distinta, facilitando a identificação e o rastreamento entre fotogramas de vídeo.

Watch: Instance Segmentation with Object Tracking using 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 🔥

Segmentar e rastrear com YOLO26#

A solução InstanceSegmentation executa um modelo de segmentação YOLO26 em cada fotograma, desenha máscaras por objeto e atribui uma cor diferente a cada instância, para que possas acompanhar objetos individuais ao longo de um vídeo. Carrega um modelo -seg e, em seguida, executa-o na tua fonte com a API Python ou a CLI.

Segmentação de instâncias com 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]"

Argumentos de `InstanceSegmentation`#

Eis uma tabela com os argumentos de InstanceSegmentation:

Argumento	Tipo	Predefinição	Descrição
`model`	`str`	`None`	Caminho para um ficheiro de modelo YOLO da Ultralytics.
`line_width`	`int`	`2`	Espessura das linhas das caixas, dos pontos-chave e das contagens desenhados pela solução.
`verbose`	`bool`	`True`	Ativa o registo por fotograma da solução, incluindo a forma da entrada, as contagens por classe e a velocidade de processamento. A chamada de rastreamento permanece sempre silenciosa.

Também podes tirar partido dos argumentos de track na solução InstanceSegmentation:

Argumento	Tipo	Predefinição	Descrição
`tracker`	`str`	`'botsort.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 para as deteções; valores mais baixos permitem rastrear mais objetos, mas podem incluir falsos positivos.
`iou`	`float`	`0.7`	Define o limiar de Interseção sobre a 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 selecionar entre CPU, uma GPU específica ou outros dispositivos de computação para executar o modelo.
`imgsz`	`int or tuple`	`640`	Tamanho da imagem de inferência alvo: um inteiro para um quadrado ou um par `(height, width)`. As formas são ajustadas para o passo do modelo.
`max_det`	`int`	`300`	Número máximo de detecções mantidas por quadro antes do rastreamento, limitando os objetos que uma solução processa em cenas densas.
`quantize`	`int or str`	`None`	Precisão de inferência: `16` (FP16) ou `32`/não definido (FP32) para modelos PyTorch e TorchScript; outros formatos computam na precisão que o artefato e o tempo de execução selecionam. Substitui a flag obsoleta `half`.

Além disso, estão disponíveis os seguintes argumentos de visualização:

Argumento	Tipo	Predefinição	Descrição
`show`	`bool`	`False`	Se `True`, apresenta as imagens ou vídeos anotados numa janela. É útil para obter feedback visual imediato durante o desenvolvimento ou os testes.
`show_conf`	`bool`	`True`	Apresenta a pontuação de confiança de cada deteção junto à etiqueta. Permite compreender o grau de certeza do modelo em cada deteção.
`show_labels`	`bool`	`True`	Apresenta etiquetas para cada deteção no resultado visual. Permite compreender imediatamente os objetos detetados.
`show_boxes`	`bool`	`True`	Desenha caixas delimitadoras à volta dos objetos detetados. É essencial para a identificação visual e a localização de objetos em imagens ou fotogramas de vídeo.

Aplicações da segmentação de instâncias#

A segmentação de instâncias com YOLO26 tem inúmeras aplicações no mundo real em vários setores:

Gestão e reciclagem de resíduos#

O YOLO26 pode ser utilizado em instalações de gestão de resíduos para identificar e separar diferentes tipos de materiais. O modelo pode segmentar resíduos de plástico, cartão, metal e outros materiais recicláveis com elevada precisão, permitindo que os sistemas de separação automatizados processem os resíduos de forma mais eficiente. Isto é particularmente valioso considerando que apenas cerca de 10% dos 7 mil milhões de toneladas de resíduos de plástico gerados globalmente são reciclados.

Veículos autónomos#

Em carros autónomos, a segmentação de instâncias ajuda a identificar e rastrear peões, veículos, sinais de trânsito e outros elementos da estrada ao nível dos píxeis. Esta compreensão precisa do ambiente é crucial para as decisões de navegação e segurança. O desempenho em tempo real do YOLO26 torna-o ideal para estas aplicações sensíveis ao tempo.

Imagiologia médica#

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 limites dos objetos torna-o valioso para o diagnóstico médico e o planeamento de tratamentos.

Monitorização de estaleiros de construção#

Em estaleiros de construção, a segmentação de instâncias pode rastrear maquinaria pesada, trabalhadores e materiais. Isto ajuda a garantir a segurança através da monitorização das posições dos equipamentos e da deteção da entrada de trabalhadores em áreas perigosas, ao mesmo tempo que otimiza o fluxo de trabalho e a alocação de recursos.

Perguntas frequentes#

Para realizar a segmentação de instâncias com o Ultralytics YOLO26, inicializa o modelo YOLO com uma versão de segmentação do YOLO26 e processa os fotogramas de vídeo através dele. Eis um exemplo de código simplificado:

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()

Sabe mais sobre segmentação de instâncias no guia do Ultralytics YOLO26.

A segmentação de instâncias identifica e delimita objetos individuais numa imagem, atribuindo a cada objeto um rótulo e uma máscara exclusivos. O rastreamento de objetos vai mais longe, atribuindo IDs consistentes aos objetos entre fotogramas de vídeo, o que facilita o rastreamento contínuo dos mesmos objetos ao longo do tempo. Quando combinados, como na implementação do YOLO26, estes recursos permitem analisar eficazmente o movimento e o comportamento dos objetos em vídeos, mantendo informações precisas sobre os limites.
O Ultralytics YOLO26 oferece desempenho em tempo real, precisão superior e facilidade de utilização em comparação com outros modelos, como Mask R-CNN ou Faster R-CNN. O YOLO26 processa as imagens numa única passagem (deteção numa só etapa), tornando-se significativamente mais rápido e mantendo uma elevada precisão. Também proporciona uma integração perfeita com a Ultralytics Platform, permitindo gerir modelos, conjuntos de dados e pipelines de treino de forma eficiente. Para aplicações que exigem velocidade e precisão, o YOLO26 oferece um equilíbrio ideal.
Sim, a Ultralytics disponibiliza vários conjuntos de dados adequados para treinar modelos YOLO26 para segmentação de instâncias, incluindo COCO-Seg, COCO8-Seg (um subconjunto mais pequeno para testes rápidos), Package-Seg e Crack-Seg. Estes conjuntos de dados incluem as anotações ao nível dos píxeis necessárias para tarefas de segmentação de instâncias. Para aplicações mais especializadas, também podes criar conjuntos de dados personalizados seguindo o formato da Ultralytics. Podes encontrar informações completas sobre os conjuntos de dados e instruções de utilização na documentação de conjuntos de dados da Ultralytics.

Contribuidores

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

Criado 18 de dez. de 2023Atualizado há 3 dias