Segmentação e rastreio de instâncias utilizando Ultralytics YOLOv8 🚀
O que é a segmentação de instâncias?
Ultralytics YOLOv8 A segmentação de instâncias envolve a identificação e o contorno de objectos individuais numa imagem, fornecendo uma compreensão detalhada da distribuição espacial. Ao contrário da segmentação semântica, rotula de forma única e delineia com precisão cada objeto, o que é crucial para tarefas como a deteção de objectos e a imagiologia médica.
Há dois tipos de rastreamento de segmentação de instância disponíveis no pacote Ultralytics :
-
Segmentação de instâncias com objectos de classe: A cada objeto de classe é atribuída uma cor única para uma separação visual clara.
-
Segmentação de instâncias com rastos de objectos: Cada rasto é representado por uma cor distinta, facilitando a identificação e o seguimento.
Observa: Segmentação de instâncias com rastreio de objectos utilizando Ultralytics YOLOv8
Amostras
Segmentação de instâncias | Segmentação de instâncias + Seguimento de objectos |
---|---|
Ultralytics Segmentação de instâncias 😍 | Ultralytics Segmentação de instâncias com seguimento de objectos 🔥 |
Segmentação e acompanhamento de instâncias
import cv2
from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors
model = YOLO("yolov8n-seg.pt") # segmentation model
names = model.model.names
cap = cv2.VideoCapture("path/to/video/file.mp4")
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
out = cv2.VideoWriter('instance-segmentation.avi', cv2.VideoWriter_fourcc(*'MJPG'), fps, (w, h))
while True:
ret, im0 = cap.read()
if not ret:
print("Video frame is empty or video processing has been successfully completed.")
break
results = model.predict(im0)
annotator = Annotator(im0, line_width=2)
if results[0].masks is not None:
clss = results[0].boxes.cls.cpu().tolist()
masks = results[0].masks.xy
for mask, cls in zip(masks, clss):
annotator.seg_bbox(mask=mask,
mask_color=colors(int(cls), True),
det_label=names[int(cls)])
out.write(im0)
cv2.imshow("instance-segmentation", im0)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
out.release()
cap.release()
cv2.destroyAllWindows()
import cv2
from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors
from collections import defaultdict
track_history = defaultdict(lambda: [])
model = YOLO("yolov8n-seg.pt") # segmentation model
cap = cv2.VideoCapture("path/to/video/file.mp4")
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
out = cv2.VideoWriter('instance-segmentation-object-tracking.avi', cv2.VideoWriter_fourcc(*'MJPG'), fps, (w, h))
while True:
ret, im0 = cap.read()
if not ret:
print("Video frame is empty or video processing has been successfully completed.")
break
annotator = Annotator(im0, line_width=2)
results = model.track(im0, persist=True)
if results[0].boxes.id is not None and results[0].masks is not None:
masks = results[0].masks.xy
track_ids = results[0].boxes.id.int().cpu().tolist()
for mask, track_id in zip(masks, track_ids):
annotator.seg_bbox(mask=mask,
mask_color=colors(track_id, True),
track_label=str(track_id))
out.write(im0)
cv2.imshow("instance-segmentation-object-tracking", im0)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
out.release()
cap.release()
cv2.destroyAllWindows()
seg_bbox
Argumentos
Nome | Tipo | Predefinição | Descrição |
---|---|---|---|
mask |
array |
None |
Coordenadas da máscara de segmentação |
mask_color |
tuple |
(255, 0, 255) |
Cor da máscara para cada caixa segmentada |
det_label |
str |
None |
Etiqueta para o objeto segmentado |
track_label |
str |
None |
Etiqueta para o objeto segmentado e seguido |
Nota
Se tiveres dúvidas, não hesites em colocar as tuas questões na secçãoUltralytics ou na secção de discussão mencionada abaixo.