التجزئة المثيلية باستخدام Ultralytics YOLO#

تجزئة المثيلات تذهب خطوة أبعد من كشف الكائنات وتتضمن تحديد الكائنات الفردية في الصورة وفصلها عن بقية الصورة.

مخرج نموذج تجزئة النسخ عبارة عن مجموعة من الأقنعة أو الخطوط العريضة التي تحدد كل كائن في الصورة، إلى جانب تسميات الفئات ودرجات الثقة لكل كائن. تكون تجزئة النسخ مفيدة عندما تحتاج إلى معرفة ليس فقط مكان الكائنات في الصورة، ولكن أيضاً ما هو شكلها الدقيق.

النماذج#

يتم عرض نماذج التجزئة المدربة مسبقاً من YOLO26 هنا. نماذج الكشف والتجزئة ووضعيات الجسم مدربة مسبقاً على مجموعة بيانات COCO، ونماذج التجزئة الدلالية مدربة مسبقاً على Cityscapes، ونماذج التصنيف مدربة مسبقاً على مجموعة بيانات ImageNet.

يتم تنزيل النماذج تلقائيًا من أحدث إصدار لـ Ultralytics عند الاستخدام الأول.

• mAP^val قيم تخص نموذجاً واحداً بمقياس واحد على مجموعة بيانات COCO val2017.
  يمكن إعادة الإنتاج بواسطة yolo val segment data=coco.yaml device=0
• تم حساب متوسط Speed عبر صور COCO val باستخدام مثيل Amazon EC2 P4d.
  يمكن إعادة الإنتاج بواسطة yolo val segment data=coco.yaml batch=1 device=0|cpu
• قيم Params و FLOPs هي للنموذج المدمج بعد model.fuse()، والذي يدمج طبقات Conv و BatchNorm، وبالنسبة للنماذج من طرف إلى طرف (end2end)، يزيل رأس الكشف الإضافي من واحد إلى متعدد. تحتفظ نقاط التحقق المدربة مسبقاً ببنية التدريب الكاملة وقد تُظهر أعداداً أعلى.

التدريب#

قم بتدريب YOLO26n-seg على مجموعة بيانات COCO8-seg لمدة 100 عصر تدريب بحجم صورة 640. للحصول على قائمة كاملة بالوسائط المتاحة، راجع صفحة التكوين.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.yaml")  # build a new model from YAML
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-seg.yaml").load("yolo26n-seg.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

راجع تفاصيل وضع train الكاملة في صفحة الالتفاف/التدريب. يمكن أيضاً تدريب نماذج التجزئة باستخدام التدريب السحابي لـ Ultralytics Platform.

تنسيق مجموعة البيانات#

يمكن العثور على تنسيق مجموعة بيانات التجزئة لـ YOLO بالتفصيل في دليل مجموعة البيانات. لتحويل مجموعة بياناتك الحالية من تنسيقات أخرى (مثل COCO وغيرها) إلى تنسيق YOLO، يرجى استخدام أداة JSON2YOLO بواسطة Ultralytics. يمكنك أيضاً إنشاء أقنعة تجزئة باستخدام أداة التعليقات التوضيحية لـ Ultralytics Platform باستخدام أدوات المضلعات والتعليقات التوضيحية الذكية المدعومة بواسطة SAM.

التحقق#

تحقق من دقة نموذج YOLO26n-seg المدرب على مجموعة بيانات COCO8-seg. لا توجد حاجة إلى وسائط حيث يحتفظ model ببيانات data والوسائط الخاصة بالتدريب كخصائص للنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # a list containing mAP50-95(B) for each category
metrics.box.image_metrics  # per-image metrics dictionary for det with precision, recall, F1, TP, FP, and FN
metrics.seg.map  # map50-95(M)
metrics.seg.map50  # map50(M)
metrics.seg.map75  # map75(M)
metrics.seg.maps  # a list containing mAP50-95(M) for each category
metrics.seg.image_metrics  # per-image metrics dictionary for seg with precision, recall, F1, TP, FP, and FN

التنبؤ#

استخدم نموذج YOLO26n-seg مدرباً لتشغيل التنبؤات على الصور.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

# Access the results
for result in results:
    xy = result.masks.xy  # mask polygons in pixel coordinates
    xyn = result.masks.xyn  # normalized mask polygons
    masks = result.masks.data  # binary masks, shape (N,H,W), dtype torch.uint8

راجع تفاصيل وضع predict الكاملة في صفحة التنبؤ (Predict).

مخرجات النتائج#

تُرجِع تجزئة المثيلات في YOLO كائناً واحداً من نوع Results لكل صورة. يخزن كل نتيجة توقعات على مستوى الكائن، حيث يحتوي كل مثيل مكتشف على قناع ثنائي خاص به، وفئة، ومستوى ثقة، ومربع محيط.

للحصول على حقول Results الخاصة بكل مهمة عبر كل مهمة، راجع قسم نتائج التنبؤ حسب المهمة (Predict Results by Task).

كيف يختلف هذا عن التجزئة الدلالية (Semantic Segmentation)؟#

تجزئة المثيلات هي تجزئة على مستوى الكائن: تنتج سيارتان قناعين ومربعين ودرجتي ثقة. التجزئة الدلالية هي تصنيف على مستوى البكسل: تصبح هاتان السيارتان بكسلات تحمل نفس معرف الفئة في خريطة فئة بحجم الصورة، دون مربعات لكل كائن، أو مستويات ثقة، أو قائمة مضلعات افتراضية.

التصدير#

قم بتصدير نموذج YOLO26n-seg إلى تنسيق مختلف مثل ONNX، CoreML، إلخ.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

# Export the model
model.export(format="onnx")

توجد تنسيقات تصدير YOLO26-seg المتاحة في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام الوسيط format، أي format='onnx' أو format='engine'. يمكنك التنبؤ أو التحقق مباشرة على النماذج المصدرة، أي yolo predict model=yolo26n-seg.onnx. تُعرض أمثلة الاستخدام لنموذجك بعد اكتمال التصدير.

راجع تفاصيل export الكاملة في صفحة التصدير (Export).

الأسئلة الشائعة#