# Image Segmentation Projects at AI Tinkerers

> Canonical HTML: https://aitinkerers.org/technologies/image-segmentation
> Markdown URL: https://aitinkerers.org/technologies/image-segmentation.md
> Technology record last updated: 2026-04-20T23:22:28Z
> Generated: 2026-09-20T12:30:42Z

Image Segmentation is the computer vision task that classifies every single pixel in an image, precisely delineating object boundaries for machine analysis.

This technology is critical for high-precision visual data interpretation (pixel-level classification). It operates primarily in two modes: Semantic Segmentation (labeling all pixels of a class, e.g., all 'road') and Instance Segmentation (distinguishing individual objects of the same class, e.g., 'Car 1' vs. 'Car 2'). Key applications drive real-world systems: autonomous vehicles rely on it for real-time pedestrian and lane detection; medical imaging uses it to isolate structures like tumors or organs from CT/MRI scans. Deep learning models, including U-Net and Mask R-CNN, execute this process, providing the spatial accuracy necessary for advanced AI functions.

- Official technology site: https://superannotate.com/blog/image-segmentation-detailed-overview
- Public AI Tinkerers demos and talks: 1
- Result page: 1 of 1

## Recent Public Talks and Demos

### [AutomatIA: Revolutionizing Agriculture with AI for Food Sustainability](https://bogota.aitinkerers.org/talks/rsvp_IqqlsaGEsZs)

1. Objetivo • Objetivo de la Demostración: Mostrar cómo AutomatIA utiliza tecnologías avanzadas de IA para monitorear y optimizar la salud de cultivos de tomate, contribuyendo a la seguridad alimentaria y reduciendo la dependencia de insumos químicos. • Proyecto actualmente en desarrollo: Ya tenemos funcionales la fase del modelo para detección de enfermedades usando visión artificial, recolección de datos de campo por medio de sensorica, y comunicación. 2. Descripción Breve • Contexto: Dado el proyectado déficit alimentario global y los retos específicos enfrentados por los cultivadores de tomate en Colombia, AutomatIA propone una solución basada en IA para mejorar el rendimiento de los cultivos y la eficiencia del agua, ayudando a mitigar las perdidas en los cultivos debidas a impactos fitosanitarios que son los causantes del 93% de las pérdidas de cosecha. • Tecnología Usada: Uso de Redes Neuronales Convolucionales (CNN) y técnicas segmentación de imágenes avanzadas para el diagnóstico de enfermedades en plantas y optimización de riego a través de detección y clasificación en tiempo real con los modelos SAM y YOLO. 3. Demostración en Vivo • Interacción Real: Se mostrará el código para el entrenamiento del modelo YOLO ajustado a las enfermedades del tomate, se explicará como se realizó en entrenamiento del modelo, como se eligieron los datasets, y como se realizo el fine tuninig sobre datos reales tomados en campo, por que se decidió incluir el algoritmo SAM para mejorar ampliamente los resultados del modelo YOLO y se mostrara que los resultados finales del modelo entrenado sugieren que el modelo tiene unas capacidades excelentes para identificar enfermedades en la hoja del tomate. 4. Impacto y Relevancia • Sostenibilidad y Eficiencia: AutomatIA tiene el potencial de reducir el uso de pesticidas, agua y enfermedades en los cultivos, alineándose con los Objetivos de Desarrollo Sostenible de la ONU. • Impacto Económico y Social: Se espera poder dotar a los agricultores de un sistema que haga diagnóstico temprano y tratamiento de enfermedades en cultivos así como reducir los costos en agroquímicos, mano de obra, garantizando un aumento de la productividad y reducción de costos. 5. Elementos Únicos y Lecciones Aprendidas • Innovaciones Técnicas: Aplicación de técnicas de segmentación avanzada en imágenes de forma previa a la aplicación del algoritmo YOLO para la limpieza de la data difícil de distinguir para el algoritmo YOLO, se usó esta técnica debido a los desafíos técnicos presentados en el desarrollo de los modelos de IA debidos al Fine tunining con muy pocas imágenes y que presentan un amplio desbalanceo y hacen parte de una distribución estadística de imágenes con características completamente diferentes a las usadas en el algoritmo preentrenado. 7. Conclusión • Futuras Direcciones: Los siguientes pasos para AutomatIA, consisten en la implementación de esta tecnología en un dron permitiendo realizar el análisis autónomo de enfermedades en la totalidad del cultivo.

- Event context: Segundo AI Tinkerers Bogotá — 2024-06-27 — Bogotá
- Public talk page: https://bogota.aitinkerers.org/talks/rsvp_IqqlsaGEsZs

## Related Technologies

- [Drones](https://aitinkerers.org/technologies/drones) ([Markdown](https://aitinkerers.org/technologies/drones.md)) — 1 public demo
- [Segment Anything Model](https://aitinkerers.org/technologies/segment-anything-model) ([Markdown](https://aitinkerers.org/technologies/segment-anything-model.md)) — 5 public demos
- [YOLO](https://aitinkerers.org/technologies/yolo) ([Markdown](https://aitinkerers.org/technologies/yolo.md)) — 7 public demos