انتقل إلى المحتوى

تجزئة المثيل

أمثلة على تجزئة المثيل

يذهب تجزئة المثيل إلى أبعد من اكتشاف الكائن ويتضمن تحديد الكائنات الفردية في صورة وتقسيمها عن بقية الصورة.

ناتج نموذج تجزئة المثيل عبارة عن مجموعة من الأقنعة أو الخطوط التي تحدد كل كائن في الصورة ، جنبا إلى جنب مع تسميات الفئة ودرجات الثقة لكل كائن. يكون تجزئة المثيل مفيدا عندما تحتاج إلى معرفة ليس فقط مكان وجود الكائنات في الصورة ، ولكن أيضا ما هو شكلها الدقيق.



شاهد: تشغيل التجزئة مع المدربين مسبقا Ultralytics YOLOv8 نموذج في Python.

بقشيش

YOLOv8 تستخدم نماذج المقطع -seg لاحقة ، أي yolov8n-seg.pt ويتم تدريبهم مسبقا على كوكو.

نماذج

YOLOv8 يتم عرض نماذج الشرائح المدربة مسبقا هنا. يتم تدريب نماذج الكشف والمقطع والوضع مسبقا على مجموعة بيانات COCO ، بينما يتم تدريب نماذج التصنيف مسبقا على مجموعة بيانات ImageNet .

يتم تنزيل الموديلات تلقائيا من الأحدث Ultralytics حرر عند الاستخدام الأول.

نموذج حجم
(بكسل)		 خريطةتابوت
50-95		 خريطةقناع
50-95		 سرعة
وحده المعالجه المركزيه ONNX
(مللي ثانية)		 سرعة
أ 100 TensorRT
(مللي ثانية)		 المعلمات
(م)		 يتخبط
(ب)
YOLOv8n-ثواني 640 36.7 30.5 96.1 1.21 3.4 12.6
YOLOv8s-ثواني 640 44.6 36.8 155.7 1.47 11.8 42.6
YOLOv8m-ثواني 640 49.9 40.8 317.0 2.18 27.3 110.2
YOLOv8l-ثواني 640 52.3 42.6 572.4 2.79 46.0 220.5
YOLOv8x-ثواني 640 53.4 43.4 712.1 4.02 71.8 344.1
  • mAPval القيم هي لمقياس أحادي الطراز على كوكو فال2017 مجموعة البيانات.
    إعادة إنتاج بواسطة yolo val segment data=coco.yaml device=0
  • سرعة تم حساب المتوسط على صور COCO val باستخدام أمازون EC2 P4d مثيل.
    إعادة إنتاج بواسطة yolo val segment data=coco8-seg.yaml batch=1 device=0|cpu

قطار

قطار YOLOv8n-seg على مجموعة بيانات COCO128-seg ل 100 حقبة بحجم الصورة 640. للحصول على قائمة كاملة بالوسيطات المتاحة، راجع صفحة التكوين .

مثل

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-seg.yaml')  # build a new model from YAML
model = YOLO('yolov8n-seg.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n-seg.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

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

# Build a new model from YAML and start training from scratch
yolo segment train data=coco8-seg.yaml model=yolov8n-seg.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo segment train data=coco8-seg.yaml model=yolov8n-seg.yaml pretrained=yolov8n-seg.pt epochs=100 imgsz=640

تنسيق مجموعة البيانات

YOLO يمكن العثور على تنسيق مجموعة بيانات التجزئة بالتفصيل في دليل مجموعة البيانات. لتحويل مجموعة البيانات الحالية من تنسيقات أخرى (مثل COCO وغيرها) إلى YOLO ، يرجى استخدام JSON2YOLO الأداة بواسطة Ultralytics.

فال

التحقق من صحة المدربين YOLOv8n-دقة نموذج seg على مجموعة بيانات COCO128-seg. لا حاجة لتمرير أي حجة على أنها model تحتفظ بتدريبها data والحجج كسمات نموذجية.

مثل

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-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 contains map50-95(B) of each category
metrics.seg.map    # map50-95(M)
metrics.seg.map50  # map50(M)
metrics.seg.map75  # map75(M)
metrics.seg.maps   # a list contains map50-95(M) of each category

yolo segment val model=yolov8n-seg.pt  # val official model
yolo segment val model=path/to/best.pt  # val custom model

تنبأ

استخدم مدربا YOLOv8n-seg نموذج لتشغيل التنبؤات على الصور.

مثل

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-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

yolo segment predict model=yolov8n-seg.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo segment predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

شاهد التفاصيل predict تفاصيل الوضع في تنبأ صفحة.

تصدير

تصدير أ YOLOv8n-seg نموذج إلى تنسيق مختلف مثل ONNX, CoreMLالخ.

مثل

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-seg.pt')  # load an official model
model = YOLO('path/to/best.pt')  # load a custom trained model

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

yolo export model=yolov8n-seg.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

ترد تنسيقات التصدير المتاحة YOLOv8-seg في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام format الحجة ، أي format='onnx' أو format='engine'. يمكنك التنبؤ أو التحقق من صحة النماذج المصدرة مباشرة، أي yolo predict model=yolov8n-seg.onnx. يتم عرض أمثلة الاستخدام للطراز الخاص بك بعد اكتمال التصدير.

تنسيق format جدال نموذج البيانات الوصفية الحجج
PyTorch - yolov8n-seg.pt ✅ -
TorchScript torchscript yolov8n-seg.torchscript ✅ imgsz, optimize, batch
ONNX onnx yolov8n-seg.onnx ✅ imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n-seg_openvino_model/ ✅ imgsz, half, int8, batch
TensorRT engine yolov8n-seg.engine ✅ imgsz, half, dynamic, simplify, workspace, batch
CoreML coreml yolov8n-seg.mlpackage ✅ imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n-seg_saved_model/ ✅ imgsz, keras, int8, batch
TF GraphDef pb yolov8n-seg.pb ❌ imgsz, batch
TF لايت tflite yolov8n-seg.tflite ✅ imgsz, half, int8, batch
TF حافة TPU edgetpu yolov8n-seg_edgetpu.tflite ✅ imgsz, batch
TF.شبيبه tfjs yolov8n-seg_web_model/ ✅ imgsz, half, int8, batch
PaddlePaddle paddle yolov8n-seg_paddle_model/ ✅ imgsz, batch
NCNN ncnn yolov8n-seg_ncnn_model/ ✅ imgsz, half, batch

شاهد التفاصيل export التفاصيل في تصدير صفحة.



تم الإنشاء 2023-11-12-2023، تم التحديث 2024-04-27
المؤلفون: جلين-جوتشر (14)، برهان-ك (1)، الضاحك-ك (1)، أيوش إكسل (1)

التعليقات