Instanzsegmentierung mit Ultralytics YOLO#

Instance segmentation geht einen Schritt weiter als die Objekterkennung und beinhaltet die Identifizierung einzelner Objekte in einem Bild sowie deren Segmentierung vom Rest des Bildes.

Die Ausgabe eines Instanzsegmentierungsmodells ist eine Reihe von Masken oder Konturen, die jedes Objekt im Bild umreißen, zusammen mit Klassenlabels und Konfidenzwerten für jedes Objekt. Instanzsegmentierung ist nützlich, wenn du nicht nur wissen musst, wo sich Objekte in einem Bild befinden, sondern auch, welche genaue Form sie haben.

Models#

YOLO26 vortrainierte Segment Modelle werden hier gezeigt. Detect-, Segment- und Pose-Modelle sind auf dem COCO-Datensatz vortrainiert, Semantic-Modelle sind auf Cityscapes vortrainiert und Classify-Modelle sind auf dem ImageNet-Datensatz vortrainiert.

Modelle werden bei der ersten Verwendung automatisch aus dem neuesten Ultralytics-Release heruntergeladen.

• mAP^val-Werte gelten für ein einzelnes Modell im Einzelskalierungsmodus auf dem COCO val2017-Datensatz.
  Reproduzieren mit yolo val segment data=coco.yaml device=0
• Geschwindigkeit gemittelt über COCO-val-Bilder unter Verwendung einer Amazon EC2 P4d-Instanz.
  Reproduzieren mit yolo val segment data=coco.yaml batch=1 device=0|cpu
• Params- und FLOPs-Werte gelten für das fusionierte Modell nach model.fuse(), welches Conv- und BatchNorm-Schichten zusammenführt und bei End-to-End-Modellen den zusätzlichen One-to-Many-Erkennungskopf entfernt. Vorab trainierte Checkpoints behalten die vollständige Trainingsarchitektur bei und können höhere Anzahlen aufweisen.

Trainieren#

Trainiere YOLO26n-seg auf dem COCO8-seg Datensatz für 100 Epochs bei einer Bildgröße von 640. Eine vollständige Liste der verfügbaren Argumente findest du auf der Configuration-Seite.

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)

Siehe vollständige train Modus-Details auf der Train-Seite. Segmentierungsmodelle können auch mit dem Ultralytics Platform Cloud-Training trainiert werden.

Datensatzformat#

Das YOLO-Segmentierungsdatenformat wird im Detail im Dataset Guide beschrieben. Um deinen bestehenden Datensatz aus anderen Formaten (wie COCO etc.) in das YOLO-Format zu konvertieren, nutze bitte das JSON2YOLO-Tool von Ultralytics. Du kannst Segmentierungsmasken auch mit der Ultralytics Platform Annotation unter Verwendung von Polygon-Werkzeugen und SAM-gestützter intelligenter Annotation erstellen.

Validieren#

Validiere die Genauigkeit des trainierten YOLO26n-seg Modells auf dem COCO8-seg Datensatz. Es sind keine Argumente erforderlich, da das model seine Trainings-data und -Argumente als Modellattribute behält.

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

Vorhersagen#

Verwende ein trainiertes YOLO26n-seg-Modell, um Vorhersagen auf Bildern auszuführen.

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

Weitere Details zum predict-Modus findest du auf der Predict-Seite.

Ergebnisausgabe#

YOLO Instance Segmentation gibt ein Results Objekt pro Bild zurück. Jedes Ergebnis speichert Vorhersagen auf Objektobene, wobei jede erkannte Instanz ihre eigene binäre Maske, Klasse, Konfidenz und Box hat.

Aufgabenspezifische Results-Felder für alle Aufgaben findest du im Abschnitt Predict Results by Task.

Wie unterscheidet sich das von der semantischen Segmentierung?#

Instance Segmentation ist eine Segmentierung auf Objektobene: zwei Autos erzeugen zwei Masken, zwei Boxen und zwei Konfidenzwerte. Semantic segmentation ist eine Klassifizierung auf Pixelebene: dieselben Autos werden zu Pixeln mit derselben Klassen-ID in einer bildgroßen Klassenkarte, ohne Boxen pro Objekt, Konfidenzen oder Standard-Polygonliste.

Exportieren#

Exportiere ein YOLO26n-seg-Modell in ein anderes Format wie ONNX, CoreML etc.

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")

Verfügbare YOLO26-seg Exportformate findest du in der Tabelle unten. Du kannst mit dem Argument format in jedes Format exportieren, d. h. format='onnx' oder format='engine'. Du kannst direkt auf exportierten Modellen vorhersagen oder validieren, d. h. yolo predict model=yolo26n-seg.onnx. Anwendungsbeispiele werden für dein Modell nach Abschluss des Exports angezeigt.

Weitere Details zum export-Modus findest du auf der Export-Seite.

FAQ#