GUIA visual de IA

Segmentação de imagens

A segmentação de imagens atribui rótulos a pixels ou regiões da imagem.

Ouça este guiaNarrado por IA · ~2 min

Nesta página2 minutos de leitura
  1. Visão geral
  2. Principais conclusões
  3. Mergulho profundo
  4. Veja por que a precisão dos pixels pode enganar
  5. Implementação no mundo real
  6. Colocando em prática
  7. Fontes e leituras adicionais
  8. Continue explorando
  9. Perguntas frequentes

Visão geral

A segmentação semântica identifica categorias, enquanto a segmentação de instância distingue objetos separados da mesma categoria. A máscara resultante é uma estimativa cujos limites e regiões perdidas necessitam de avaliação.

Principais conclusões

  1. Distinguir tarefas semânticas e de instância.
  2. Defina limites de anotação.
  3. Avaliar regiões minoritárias e coordenar o mapeamento.

Mergulho profundo

Escolha a tarefa de segmentação antes de coletar anotações. Rotular cada pixel da estrada é diferente de identificar cada veículo individual. Defina como tratar limites incertos, objetos transparentes, instâncias sobrepostas e regiões fora do conjunto de rótulos. A qualidade da anotação afeta o resultado. Dois revisores podem traçar limites diferentes em torno de cabelos, sombras ou objetos parcialmente visíveis. Documente a convenção de rotulagem e avalie as divergências, em vez de presumir que há sempre uma máscara perfeitamente óbvia. Use métricas adequadas à aplicação. A precisão dos pixels pode parecer alta quando a maioria dos pixels são de fundo. Métricas de sobreposição, como interseção sobre união, podem fornecer mais informações, mas o equilíbrio de classes e a qualidade dos limites ainda são importantes. Um pequeno erro de limite pode ser inofensivo em uma tarefa e ter consequências em outra. Teste o pipeline de imagem completo. Cortar, redimensionar e converter coordenadas podem alterar uma máscara razoável quando ela é colocada de volta na imagem original. Preserve as dimensões originais e inspecione as sobreposições na escala onde o resultado será usado.

04Exemplo trabalhado

Veja por que a precisão dos pixels pode enganar

  1. Construa uma imagem com 1.000 pixels, dos quais 950 são de fundo e 50 pertencem ao objeto alvo.

  2. Uma previsão que marca cada pixel como plano de fundo tem 95% de precisão de pixel, mas não detecta nada do objeto.

  3. Inspecione a sobreposição específica da classe e o comportamento de objetos perdidos, em vez de relatar apenas a pontuação geral de pixels.

O que isso mostra

As contagens de pixels inventadas ilustram uma armadilha de avaliação.

Implementação no mundo real

Regiões separadas em primeiro plano para um fluxo de trabalho de edição revisado.

Meça a sobreposição da região enquanto verifica a máscara na imagem com resolução original.

Colocando em prática

Por que isso importa

  • Velocidade e escala. A IA visual pode automatizar tarefas de inspeção, detecção e marcação em grande escala.
  • Escolhas de construção. As equipes criativas podem criar protótipos de conceitos mais rapidamente e com menos revisões manuais.
  • Equipe e fluxo de trabalho. As operações podem usar sinais de imagem e vídeo que antes eram difíceis de processar.

Cuidado com

  • Os direitos de imagem e o consentimento podem tornar-se riscos legais se a proveniência não for clara.
  • O desempenho do modelo pode variar dependendo da iluminação, dados demográficos e ambientes.
  • Os falsos positivos podem passar despercebidos, a menos que os limites de confiança sejam monitorados.

Próximas etapas

  1. Defina critérios de aceitação para precisão, recall e custos de erro.
  2. Teste com dados que correspondam às condições reais de produção.
  3. Adicione revisão humana para previsões de baixa confiança ou de alto impacto.
  4. Rastreie o desvio do modelo e revalide após alterações na câmera ou no conjunto de dados.

Fontes e leituras adicionais

  1. Hugging FaceSegmentação semântica

Continue explorando

Boletim informativo gratuito

Receba o resumo diário de IA

Três histórias verificadas de IA a cada manhã de dia útil, escritas em linguagem simples. Gratuito para sempre, sem anúncios.

Um e-mail a cada dia útil. Cancele a inscrição com um clique. Nunca vendemos ou compartilhamos seu endereço.

Teste você mesmo

Take the Image Segmentation quiz

Feedback instantâneo sobre cada resposta e um certificado compartilhável com um ID verificável assim que você concluir um curso.

Iniciar teste

Apoie a educação gratuita em IA. O AI Understanding é uma organização sem fins lucrativos 501(c)(3) — sem anúncios, sem paywall, nunca. Faça uma doação

Perguntas frequentes

Uma máscara de aparência limpa prova uma segmentação precisa?

Não. Compare-o com anotações de referência apropriadas e inspecione os limites, as regiões ausentes e o uso pretendido a jusante.