Segmentación Semántica y Edge AI

La segmentación semántica clasifica CADA PÍXEL de la imagen: este píxel es cielo, este es calle, este es persona. A diferencia de la detección de objetos (que dibuja cajas), la segmentación da la forma exacta del objeto. Los modelos principales son: SAM (Segment Anything Model de Meta, segmenta cualquier cosa con un click), DeepLab (segmentación semántica), y Mask R-CNN (detecta + segmenta objetos individualmente).

Edge AI ejecuta modelos directamente en dispositivos (teléfonos, cámaras, Raspberry Pi) sin enviar datos al cloud. Ventajas: latencia mínima (<10ms), funciona offline, privacidad total. Para esto se usan modelos compactos: MobileNet, YOLO-NAS, TFLite. La cuantización reduce el modelo de float32 a int8, haciéndolo 4x más pequeño y rápido con pérdida mínima de precisión.

# Segmentación con SAM 2 (Meta)
from ultralytics import SAM

model = SAM("sam2.1_b.pt")  # Segment Anything Model
results = model("oficina.jpg")  # Segmenta todo automáticamente

# Cada resultado tiene máscaras de segmentación
for r in results:
    for mask in r.masks.data:
        print(f"Máscara: {mask.shape}")  # Tensor booleano

# Segmentación semántica con YOLO
from ultralytics import YOLO

seg_model = YOLO("yolo11n-seg.pt")  # Modelo de segmentación
results = seg_model("calle.jpg")
for r in results:
    if r.masks:
        for mask, box in zip(r.masks.data, r.boxes):
            cls = int(box.cls[0])
            print(f"Clase {cls}: máscara {mask.shape}")

# --- EDGE AI: Exportar modelo para dispositivos ---
# Exportar YOLO a formato ligero
model = YOLO("yolo11n.pt")

# TFLite para Android/Raspberry Pi
model.export(format="tflite", int8=True)  # Cuantizado

# ONNX para cualquier plataforma
model.export(format="onnx", simplify=True)

# CoreML para iOS
model.export(format="coreml")

# Inferencia en Raspberry Pi con TFLite
# Solo 4MB de modelo, corre a 15 FPS en Pi 4