В чем разница между сегментацией экземпляров и отслеживанием объектов в Ultralytics YOLO26?

Сегментация экземпляров идентифицирует и очерчивает отдельные объекты на изображении, присваивая каждому объекту уникальную метку и маску. Отслеживание объектов дополняет это, назначая постоянные идентификаторы объектам на разных кадрах видео, что облегчает их непрерывное отслеживание во времени. При объединении, как в реализации YOLO26, ты получаешь мощные возможности для анализа движения и поведения объектов в видео, сохраняя при этом точные данные о границах.

Почему стоит использовать Ultralytics YOLO26 для сегментации экземпляров и отслеживания вместо других моделей, таких как Mask R-CNN или Faster R-CNN?

Ultralytics YOLO26 предлагает производительность в реальном времени, превосходную accuracy и простоту использования по сравнению с другими моделями, такими как Mask R-CNN или Faster R-CNN. YOLO26 обрабатывает изображения за один проход (одноэтапное обнаружение), что делает её значительно быстрее при сохранении высокой точности. Она также обеспечивает полную интеграцию с Ultralytics Platform, позволяя пользователям эффективно управлять моделями, наборами данных и конвейерами обучения. Для приложений, требующих как скорости, так и точности, YOLO26 обеспечивает оптимальный баланс.

Предоставляет ли Ultralytics наборы данных, подходящие для обучения моделей YOLO26 для сегментации экземпляров и отслеживания?

Да, Ultralytics предлагает несколько наборов данных, подходящих для обучения моделей YOLO26 для инстанс-сегментации, включая COCO-Seg, COCO8-Seg (меньшая подвыборка для быстрого тестирования), Package-Seg и Crack-Seg. Эти наборы данных поставляются с разметкой на уровне пикселей, необходимой для задач инстанс-сегментации. Для более специализированных приложений ты также можешь создавать собственные наборы данных в формате Ultralytics. Полную информацию о наборах данных и инструкции по их использованию можно найти в Ultralytics Datasets documentation.

Сегментация экземпляров и отслеживание с помощью Ultralytics YOLO26 🚀#

Что такое сегментация экземпляров?#

Instance segmentation — это задача компьютерного зрения, которая заключается в обнаружении и обводке отдельных объектов на изображении на уровне пикселей. В отличие от semantic segmentation, которая лишь классифицирует пиксели по категориям, инстанс-сегментация уникально размечает и точно очерчивает каждый экземпляр объекта, что критически важно для приложений, требующих детального пространственного понимания, таких как медицинская визуализация, беспилотирование и промышленная автоматизация.

Ultralytics YOLO26 предоставляет мощные возможности инстанс-сегментации, которые позволяют точно определять границы объектов, сохраняя при этом скорость и эффективность, которыми славятся модели YOLO.

В пакете Ultralytics доступны два типа отслеживания сегментации экземпляров:

Сегментация экземпляров с объектами класса: каждому классу объектов присваивается уникальный цвет для четкого визуального разделения.
Сегментация экземпляров с отслеживанием объектов: каждый трек представлен отдельным цветом, что облегчает идентификацию и отслеживание объектов на кадрах видео.

Watch: Instance Segmentation with Object Tracking using Ultralytics YOLO26

Образцы#

Сегментация экземпляров	Сегментация экземпляров + отслеживание объектов

Сегментация экземпляров Ultralytics 😍	Сегментация экземпляров Ultralytics с отслеживанием объектов 🔥

Сегментируй и отслеживай с помощью YOLO26#

Решение InstanceSegmentation запускает модель сегментации YOLO26 для каждого кадра, рисует маски для каждого объекта и окрашивает каждый экземпляр отдельно, чтобы ты мог отслеживать отдельные объекты на видео. Загрузи модель -seg, а затем запусти её на своём источнике с помощью Python API или CLI.

Сегментация экземпляров с использованием 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]"

Аргументы `InstanceSegmentation`#

Вот таблица с аргументами InstanceSegmentation:

Аргумент	Тип	По умолчанию	Описание
`model`	`str`	`None`	Путь к файлу модели Ultralytics YOLO.
`line_width`	`int`	`2`	Толщина линий для рамок, ключевых точек и подсчетов, отрисовываемых решением.
`verbose`	`bool`	`True`	Включает покадровый лог решения, содержащий форму входных данных, количество классов и скорость обработки. Сам вызов трекинга всегда выполняется молча.

Ты также можешь использовать аргументы track в рамках решения InstanceSegmentation:

Аргумент	Тип	По умолчанию	Описание
`tracker`	`str`	`'botsort.yaml'`	Задает алгоритм трекинга, который нужно использовать. Встроенные опции: `botsort.yaml`, `bytetrack.yaml`, `ocsort.yaml`, `deepocsort.yaml`, `fasttrack.yaml`, `tracktrack.yaml`.
`conf`	`float`	`0.25`	Устанавливает порог уверенности для обнаружений; более низкие значения позволяют отслеживать больше объектов, но могут включать ложные срабатывания.
`iou`	`float`	`0.7`	Устанавливает порог Intersection over Union (IoU) для фильтрации пересекающихся детекций.
`classes`	`list`	`None`	Фильтрует результаты по индексу класса. Например, `classes=[0, 2, 3]` отслеживает только указанные классы.
`device`	`str`	`None`	Задает устройство для инференса (например, `cpu`, `cuda:0` или `0`). Позволяет пользователям выбирать между CPU, конкретным GPU или другими вычислительными устройствами для выполнения модели.

Кроме того, доступны следующие аргументы визуализации:

Аргумент	Тип	По умолчанию	Описание
`show`	`bool`	`False`	Если `True`, отображает аннотированные изображения или видео в окне. Полезно для немедленной визуальной обратной связи во время разработки или тестирования.
`show_conf`	`bool`	`True`	Отображает показатель уверенности для каждого обнаружения рядом с меткой. Дает представление об уверенности модели в каждом обнаружении.
`show_labels`	`bool`	`True`	Отображает метки для каждого обнаружения в визуальном выводе. Обеспечивает быстрое понимание того, какие объекты были обнаружены.
`show_boxes`	`bool`	`True`	Рисует ограничивающие рамки вокруг обнаруженных объектов. Необходимо для визуальной идентификации и определения местоположения объектов на изображениях или кадрах видео.

Применение сегментации экземпляров#

Сегментация экземпляров с помощью YOLO26 имеет множество практических применений в различных отраслях:

Утилизация и переработка отходов#

YOLO26 можно использовать на waste management facilities для идентификации и сортировки различных типов материалов. Модель способна с высокой точностью сегментировать пластиковые отходы, картон, металл и другие материалы, пригодные для переработки, что позволяет автоматизированным системам сортировки обрабатывать мусор более эффективно. Это особенно ценно, учитывая, что перерабатывается лишь около 10% из 7 миллиардов тонн производимых в мире пластиковых отходов.

Автономные транспортные средства#

В self-driving cars инстанс-сегментация помогает идентифицировать и отслеживать пешеходов, транспортные средства, дорожные знаки и другие элементы дороги на уровне пикселей. Такое точное понимание окружающей среды имеет решающее значение для навигации и принятия решений по безопасности. Производительность YOLO26 в реальном времени делает её идеальной для таких чувствительных ко времени приложений.

Медицинская визуализация#

Инстанс-сегментация позволяет выявлять и очерчивать опухоли, органы или клеточные структуры на медицинских снимках. Способность YOLO26 точно определять границы объектов делает её ценной для medical diagnostics и планирования лечения.

Мониторинг строительных площадок#

На строительных площадках сегментация экземпляров может отслеживать тяжелую технику, рабочих и материалы. Это помогает обеспечить безопасность за счет контроля положения оборудования и фиксации случаев проникновения рабочих в опасные зоны, одновременно оптимизируя рабочий процесс и распределение ресурсов.

FAQ#

Чтобы выполнить сегментацию экземпляров с помощью Ultralytics YOLO26, инициализируй модель YOLO с версией YOLO26 для сегментации и обрабатывай видеокадры через неё. Вот упрощенный пример кода:

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()

Узнай больше об инстанс-сегментации в Ultralytics YOLO26 guide.

Сегментация экземпляров идентифицирует и очерчивает отдельные объекты на изображении, присваивая каждому объекту уникальную метку и маску. Отслеживание объектов дополняет это, назначая постоянные идентификаторы объектам на разных кадрах видео, что облегчает их непрерывное отслеживание во времени. При объединении, как в реализации YOLO26, ты получаешь мощные возможности для анализа движения и поведения объектов в видео, сохраняя при этом точные данные о границах.
Ultralytics YOLO26 предлагает производительность в реальном времени, превосходную accuracy и простоту использования по сравнению с другими моделями, такими как Mask R-CNN или Faster R-CNN. YOLO26 обрабатывает изображения за один проход (одноэтапное обнаружение), что делает её значительно быстрее при сохранении высокой точности. Она также обеспечивает полную интеграцию с Ultralytics Platform, позволяя пользователям эффективно управлять моделями, наборами данных и конвейерами обучения. Для приложений, требующих как скорости, так и точности, YOLO26 обеспечивает оптимальный баланс.
Да, Ultralytics предлагает несколько наборов данных, подходящих для обучения моделей YOLO26 для инстанс-сегментации, включая COCO-Seg, COCO8-Seg (меньшая подвыборка для быстрого тестирования), Package-Seg и Crack-Seg. Эти наборы данных поставляются с разметкой на уровне пикселей, необходимой для задач инстанс-сегментации. Для более специализированных приложений ты также можешь создавать собственные наборы данных в формате Ultralytics. Полную информацию о наборах данных и инструкции по их использованию можно найти в Ultralytics Datasets documentation.

Участники

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

Создано 18 дек. 2023 г.Обновлено 4 дня назад