Сегментация и отслеживание экземпляров с помощью Ultralytics YOLO11 🚀

Что такое сегментация экземпляров?

Сегментация объектов - это задача компьютерного зрения, которая заключается в идентификации и выделении отдельных объектов на изображении на уровне пикселей. В отличие от семантической сегментации, которая классифицирует пиксели только по категориям, сегментация экземпляров уникально маркирует и точно очерчивает каждый экземпляр объекта, что делает ее критически важной для приложений, требующих детального пространственного понимания, таких как медицинская визуализация, автономное вождение и промышленная автоматизация.

Ultralytics YOLO11 предоставляет мощные возможности сегментации экземпляров, которые позволяют точно определять границы объектов, сохраняя при этом скорость и эффективность моделей YOLO , которыми они славятся.

В пакете Ultralytics доступны два типа отслеживания сегментации экземпляров:

• Сегментация экземпляров с помощью объектов класса: Каждому объекту класса присваивается уникальный цвет для четкого визуального разделения.

• Сегментация объектов с помощью треков объектов: Каждая дорожка представлена отдельным цветом, что облегчает ее идентификацию и отслеживание по видеокадрам.

Смотреть: Сегментация экземпляров с отслеживанием объектов с помощью Ultralytics YOLO11

Образцы

Сегментация экземпляров	Сегментация объектов + отслеживание объектов
Ultralytics Сегментация экземпляра 😍	Ultralytics Сегментация экземпляров с отслеживанием объектов 🔥

# Instance segmentation using Ultralytics YOLO11
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]"

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("isegment_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Initialize instance segmentation object
isegment = solutions.InstanceSegmentation(
    show=True,  # display the output
    model="yolo11n-seg.pt",  # model="yolo11n-seg.pt" for object segmentation using YOLO11.
    # classes=[0, 2],  # segment specific classes i.e, person and car with pretrained model.
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()

    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    results = isegment(im0)

    # print(results)  # access the output

    video_writer.write(results.plot_im)  # write the processed frame.

cap.release()
video_writer.release()
cv2.destroyAllWindows()  # destroy all opened windows

InstanceSegmentation Аргументы

Вот таблица с данными InstanceSegmentation аргументы:

Вы также можете воспользоваться track аргументы внутри InstanceSegmentation решение:

Кроме того, доступны следующие аргументы визуализации:

Области применения сегментации экземпляров

Сегментация экземпляров с помощью YOLO11 имеет множество реальных применений в различных отраслях:

Утилизация и переработка отходов

YOLO11 может использоваться на предприятиях по переработке отходов для идентификации и сортировки различных типов материалов. Модель способна с высокой точностью разделять пластиковые отходы, картон, металл и другие виды вторсырья, позволяя автоматизированным системам сортировки перерабатывать отходы более эффективно. Это особенно важно, учитывая, что из 7 миллиардов тонн пластиковых отходов, образующихся в мире, перерабатывается лишь около 10 %.

Автономные транспортные средства

В самоуправляемых автомобилях сегментация экземпляров помогает идентифицировать и отслеживать пешеходов, транспортные средства, дорожные знаки и другие элементы дороги на уровне пикселей. Такое точное понимание окружающей обстановки имеет решающее значение для принятия решений по навигации и безопасности. Производительность YOLO11 в реальном времени делает его идеальным решением для таких чувствительных к времени приложений.

Медицинская визуализация

Сегментация объектов позволяет выявлять и очерчивать опухоли, органы или клеточные структуры на медицинских снимках. Способность YOLO11 точно определять границы объектов делает его ценным для медицинской диагностики и планирования лечения.

Мониторинг строительной площадки

На строительных площадках сегментация экземпляров позволяет отслеживать тяжелую технику, рабочих и материалы. Это помогает обеспечить безопасность, отслеживая положение оборудования и обнаруживая, когда рабочие входят в опасные зоны, а также оптимизировать рабочий процесс и распределение ресурсов.

Примечание

Если у вас возникли вопросы, не стесняйтесь публиковать их в разделе "Вопросы" на сайтеUltralytics или в разделе обсуждений, указанном ниже.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как выполнить сегментацию экземпляров с помощью Ultralytics YOLO11 ?

Чтобы выполнить сегментацию экземпляра с помощью Ultralytics YOLO11 , инициализируйте модель YOLO сегментационной версией YOLO11 и обрабатывайте через нее видеокадры. Приведем 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="yolo11n-seg.pt",  # model="yolo11n-seg.pt" for object segmentation using YOLO11.
)

# 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()

Подробнее о сегментации экземпляров читайте в руководствеUltralytics YOLO11 .

В чем разница между сегментацией объектов и отслеживанием объектов в Ultralytics YOLO11 ?

Сегментация объектов идентифицирует и очерчивает отдельные объекты на изображении, присваивая каждому объекту уникальную метку и маску. Отслеживание объектов расширяет эту функцию, присваивая объектам последовательные идентификаторы во всех видеокадрах, что позволяет непрерывно отслеживать одни и те же объекты в течение долгого времени. В сочетании, как в реализации YOLO11, вы получаете мощные возможности для анализа движения и поведения объектов в видео, сохраняя при этом точную информацию о границах.

Почему я должен использовать Ultralytics YOLO11 для сегментации и отслеживания, а не другие модели, такие как Mask R-CNN или Faster R-CNN.

Ultralytics YOLO11 обеспечивает производительность в реальном времени, высочайшую точность и простоту использования по сравнению с другими моделями, такими как Mask R-CNN или Faster R-CNN. YOLO11 обрабатывает изображения за один проход (одноэтапное обнаружение), что значительно ускоряет работу при сохранении высокой точности. Кроме того, она обеспечивает бесшовную интеграцию с Ultralytics HUB, позволяя пользователям эффективно управлять моделями, наборами данных и конвейерами обучения. Для приложений, требующих одновременно скорости и точности, YOLO11 обеспечивает оптимальный баланс.

Существуют ли наборы данных, предоставляемые Ultralytics , подходящие для обучения моделей YOLO11 , например, для сегментации и отслеживания?

Да, Ultralytics предлагает несколько наборов данных, подходящих для обучения моделей YOLO11 для сегментации экземпляров, включая COCO-Seg, COCO8-Seg (меньшее подмножество для быстрого тестирования), Package-Seg и Crack-Seg. Эти наборы данных содержат аннотации на уровне пикселей, необходимые для задач сегментации экземпляров. Для более специализированных приложений вы также можете создавать собственные наборы данных в формате Ultralytics . Полную информацию о наборах данных и инструкции по их использованию можно найти в документацииUltralytics Datasets.

📅 Создано 1 год назад ✏️ Обновлено 5 дней назад

Комментарии