التجزئة الدلالية باستخدام Ultralytics YOLO#

تُسند التجزئة الدلالية تسمية فئة إلى كل بكسل في الصورة، منتجةً خريطة فئات كثيفة تغطي المشهد بأكمله. وعلى خلاف تجزئة المثيلات، التي تفصل الكائنات الفردية، تجمع التجزئة الدلالية كل البكسلات المنتمية إلى الفئة نفسها، بصرف النظر عن عدد الكائنات المنفصلة الموجودة.

يكون ناتج نموذج التجزئة الدلالية خريطة فئات واحدة بأبعاد الارتفاع والعرض، حيث تقابل قيمة كل بكسل معرّف الفئة المتنبأ به. وهذا يجعل التجزئة الدلالية مثالية لمهام فهم المشهد، مثل القيادة الذاتية والتصوير الطبي ورسم خرائط الغطاء الأرضي.

النماذج#

تظهر أدناه نماذج YOLO26 Semantic المدرّبة مسبقًا على مجموعة بيانات Cityscapes.

تُنزّل النماذج تلقائيًا من أحدث إصدار من Ultralytics عند استخدامها لأول مرة.

• قيم mIoU^val محسوبة لنموذج واحد بمقياس واحد على مجموعة التحقق Cityscapes.
  أعِد إنتاج النتائج باستخدام yolo semantic val data=cityscapes.yaml device=0 imgsz=2048
• متوسط السرعة محسوب على صور التحقق من Cityscapes باستخدام مثيل RTX3090.
  أعِد إنتاج النتائج باستخدام yolo semantic val data=cityscapes.yaml batch=1 device=0|cpu imgsz=2048
• قيم Params وFLOPs محسوبة للنموذج بعد model.fuse()، الذي يدمج طبقات Conv وBatchNorm. تحتفظ نقاط التحقق المدرّبة مسبقًا ببنية التدريب الكاملة، وقد تُظهر أعدادًا أعلى.

تظهر أدناه نماذج YOLO26 Semantic المدرّبة مسبقًا على مجموعة بيانات ADE20K.

• قيم mIoU^val محسوبة لنموذج واحد بمقياس واحد على مجموعة التحقق ADE20K.
  أعِد إنتاج النتائج باستخدام yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml device=0 imgsz=640، مع استبدال yolo26n-sem-ade20k.pt بنقطة التحقق yolo26*-sem-ade20k.pt المطلوبة.
• متوسط السرعة محسوب على صور التحقق من ADE20K باستخدام مثيل RTX3090.
  أعِد إنتاج النتائج باستخدام yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml batch=1 device=0|cpu imgsz=640، مع استبدال yolo26n-sem-ade20k.pt بنقطة التحقق yolo26*-sem-ade20k.pt المطلوبة.
• قيم Params وFLOPs محسوبة للنموذج بعد model.fuse()، الذي يدمج طبقات Conv وBatchNorm. تحتفظ نقاط التحقق المدرّبة مسبقًا ببنية التدريب الكاملة، وقد تُظهر أعدادًا أعلى.

اطّلع على معاينة YOLO27 غير المُصدرة لمعرفة النتائج الأولية لقيمة mIoU على Cityscapes.

التدريب#

درّب YOLO26n-sem على مجموعة بيانات Cityscapes8 لمدة 100 حقبة بحجم صورة 1024. للاطلاع على القائمة الكاملة للوسيطات المتاحة، راجع صفحة Configuration.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-sem.yaml")  # ⁨إنشاء نموذج جديد من YAML⁩
model = YOLO("yolo26n-sem.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩
model = YOLO("yolo26n-sem.yaml").load("yolo26n-sem.pt")  # ⁨الإنشاء من YAML ونقل الأوزان⁩

# ⁨تدريب النموذج⁩
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

اطّلع على التفاصيل الكاملة لوضع train في صفحة Train. ويمكن أيضًا تدريب نماذج التجزئة الدلالية باستخدام التدريب السحابي على Ultralytics Platform.

تنسيق مجموعة البيانات#

تستخدم مجموعات بيانات التجزئة الدلالية صور أقنعة أحادية القناة، عادةً بتنسيق PNG، حيث تمثل قيمة كل بكسل معرّف فئة. وتُعامل البكسلات ذات القيمة 255 على أنها «تجاهل»، وتُستبعد من حساب الخسارة. ينبغي أن يحدد ملف YAML لمجموعة البيانات مسارات الصور ومجلدات الأقنعة المقابلة لها. يمكن التدريب مباشرةً على مجموعات البيانات ذات تسميات مضلعات YOLO، إذ تُحوّل إلى أقنعة أثناء التشغيل (راجع هل يمكنني استخدام بيانات تجزئة المثيلات أدناه). راجع دليل مجموعات بيانات التجزئة الدلالية لمعرفة تفاصيل التنسيق. تشمل مجموعات البيانات المدعومة Cityscapes وADE20K. ويمكنك إدارة مجموعات البيانات الدلالية وإضافة التسميات إليها باستخدام التعليقات التوضيحية في Ultralytics Platform.

التحقق#

تحقّق من دقة نموذج YOLO26n-sem المدرّب على مجموعة بيانات للتجزئة الدلالية. مرّر data صراحةً لضمان استخدام مجموعة بيانات YAML المقصودة أثناء التحقق.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-sem.pt")  # ⁨حمّل نموذجًا رسميًا⁩
model = YOLO("path/to/best.pt")  # ⁨تحميل نموذج مخصص⁩

# ⁨تحقّق من النموذج⁩
metrics = model.val(data="cityscapes.yaml")
metrics.miou  # ⁨متوسط التقاطع على الاتحاد⁩
metrics.pixel_accuracy  # ⁨دقة البكسلات الإجمالية⁩

التنبؤ#

استخدم نموذج YOLO26n-sem مدرّبًا لإجراء تنبؤات على الصور.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-sem.pt")  # ⁨حمّل نموذجًا رسميًا⁩
model = YOLO("path/to/best.pt")  # ⁨تحميل نموذج مخصص⁩

# ⁨أجرِ التنبؤ باستخدام النموذج⁩
results = model("https://ultralytics.com/images/bus.jpg")  # ⁨أجرِ التنبؤ على صورة⁩

# ⁨الوصول إلى النتائج⁩
for result in results:
    semantic_mask = result.semantic_mask.data  # ⁨خريطة الفئات، شكلها (H,W)، ونوع بياناتها عدد صحيح يُحدَّد وفقًا لعدد الفئات⁩

اطّلع على التفاصيل الكاملة لوضع predict في صفحة التنبؤ.

مخرجات النتائج#

تعيد التجزئة الدلالية في YOLO كائن Results واحدًا لكل صورة. وتخزّن كل نتيجة خريطة فئات كثيفة واحدة للصورة بأكملها بدلًا من قائمة بأقنعة الكائنات. وتحمل البكسلات ذات الفئة المتنبأ بها نفسها معرّف الفئة ذاته، حتى إن كانت تنتمي إلى كائنات منفصلة.

للاطلاع على حقول Results الخاصة بكل مهمة، راجع قسم نتائج التنبؤ حسب المهمة.

تجزئة المثيلات مقابل التجزئة الدلالية#

التصدير#

صدّر نموذج YOLO26n-sem إلى تنسيق آخر مثل ONNX أو CoreML وغيرهما.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-sem.pt")  # ⁨حمّل نموذجًا رسميًا⁩
model = YOLO("path/to/best.pt")  # ⁨تحميل نموذج مخصص⁩

# ⁨صدّر النموذج⁩
model.export(format="onnx")

تظهر تنسيقات التصدير المتاحة للتجزئة الدلالية في YOLO26 في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام الوسيط format، أي format='onnx' أو format='engine'. ويمكنك إجراء التنبؤ أو التحقق مباشرةً باستخدام النماذج المُصدّرة، أي yolo predict model=yolo26n-sem.onnx. تظهر أمثلة الاستخدام لنموذجك بعد اكتمال التصدير.

يعتمد nms=None على المخرجات الأولية لإجراء NMS خارجي. اضبط nms=False لتحديد رأس متاح خالٍ من NMS؛ وتعود التنسيقات غير المدعومة إلى مسار المخرجات الأصلي الخاص بها. تحدد إدخالات nms أعلاه التنسيقات التي يمكنها تضمين NMS باستخدام nms=True.

اطّلع على التفاصيل الكاملة لـexport في صفحة التصدير.

الأسئلة الشائعة#