Instanzsegmentierung mit Ultralytics YOLO#

Instanzsegmentierung geht über die Objekterkennung hinaus und umfasst das Identifizieren einzelner Objekte in einem Bild sowie deren Abgrenzung vom restlichen Bild.

Die Ausgabe eines Modells zur Instanzsegmentierung besteht aus einer Reihe von Masken oder Konturen, die jedes Objekt im Bild umreißen, sowie aus Klassenbezeichnungen und Konfidenzwerten für jedes Objekt. Die Instanzsegmentierung ist nützlich, wenn du nicht nur wissen musst, wo sich Objekte in einem Bild befinden, sondern auch, welche genaue Form sie haben.

Modelle#

Hier werden vortrainierte Segmentierungsmodelle von YOLO26 gezeigt. Modelle für Erkennung, Segmentierung und Pose sind auf dem COCO-Datensatz vortrainiert, Modelle für semantische Segmentierung sind auf Cityscapes vortrainiert, und Klassifikationsmodelle sind auf dem ImageNet-Datensatz vortrainiert.

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

• Die Werte für mAP^val gelten für ein einzelnes Modell mit einer einzelnen Skalierung auf dem COCO-val2017-Datensatz.
  Reproduziere sie mit yolo val segment data=coco.yaml device=0 nms=False
• Geschwindigkeit, gemittelt über COCO-val-Bilder unter Verwendung einer Amazon-EC2-P4d-Instanz.
  Reproduziere sie mit yolo val segment data=coco.yaml batch=1 device=0|cpu nms=False
• Params- und FLOPs-Werte beziehen sich auf fusionierte Modelle nach der Conv/BatchNorm-Faltung und dem Entfernen des nicht verwendeten Erkennungszweigs. Vortrainierte Checkpoints behalten die vollständige Trainingsarchitektur bei und können höhere Anzahlen aufweisen.

Diese Checkpoints segmentieren die 80 COCO-Klassen. Um Kategorien außerhalb dieser Liste ohne erneutes Training zu segmentieren, siehe YOLOE, das die Klassen als Text-Prompt, visuelles Beispiel oder integriertes Vokabular verwendet.

Sieh dir die unveröffentlichte YOLO27 Vorschau für vorläufige COCO-Bounding-Box- und Maskenergebnisse an.

Trainieren#

Trainiere YOLO26n-seg 100 Epochen lang mit der Bildgröße 640 auf dem COCO8-seg-Datensatz. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Konfiguration.

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)

Vollständige Details zum Modus train findest du auf der Seite Trainieren. Segmentierungsmodelle können auch mit dem Cloud-Training der Ultralytics Platform trainiert werden.

Datensatzformat#

Das YOLO-Segmentierungsdatenformat findest du detailliert im Dataset Guide. Um ein bestehendes COCO-JSON-Dataset in das YOLO-Format zu konvertieren, nutze die integrierte convert_coco-Funktion mit use_segments=True, wie im COCO to YOLO guide beschrieben. Du kannst Segmentierungsmasken außerdem mit der Ultralytics Platform annotation über Polygon-Tools und SAM-gestützte intelligente Annotation erstellen.

Validierung#

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

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

Vorhersage#

Verwende ein trainiertes YOLO26n-seg-Modell, um Vorhersagen für Bilder 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

Ausführliche Informationen zum Modus predict findest du auf der Seite Predict.

Ausgabe der Ergebnisse#

Die YOLO-Instanzsegmentierung gibt ein Results-Objekt pro Bild zurück. Jedes Ergebnis speichert Vorhersagen auf Objektebene, wobei jede erkannte Instanz ihre eigene Binärmaske, Klasse, Konfidenz und Box besitzt.

Task-spezifische Felder Results für alle Tasks findest du im Abschnitt Vorhersageergebnisse nach Task.

Unterschiede zur semantischen Segmentierung#

Die Instanzsegmentierung ist eine Segmentierung auf Objektebene: Zwei Autos erzeugen zwei Masken, zwei Boxen und zwei Konfidenzwerte. Die semantische Segmentierung ist eine Klassifizierung auf Pixelebene: Dieselben Autos werden zu Pixeln mit derselben Klassen-ID in einer klassenbezogenen Karte in Bildgröße, ohne Boxen, Konfidenzwerte oder standardmäßige Polygonliste pro Objekt.

Export#

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

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")

Die verfügbaren Exportformate für YOLO26-seg sind in der folgenden Tabelle aufgeführt. Du kannst mit dem Argument format in jedes Format exportieren, also mit format='onnx' oder format='engine'. Du kannst direkt mit exportierten Modellen Vorhersagen ausführen oder sie validieren, also mit yolo predict model=yolo26n-seg.onnx. Nach Abschluss des Exports werden Verwendungsbeispiele für dein Modell angezeigt.

nms=None verwendet standardmäßig Rohausgaben für externes NMS. Setze nms=False, um einen verfügbaren NMS-freien Kopf auszuwählen; nicht unterstützte Formate greifen auf ihren nativen Ausgabepfad zurück. Die Einträge nms oben identifizieren Formate, die NMS mit nms=True einbetten können.

Ausführliche Informationen zu export findest du auf der Seite Export.

FAQ#