Zum Inhalt springen

Instanz-Segmentierung

Beispiele fĂŒr die Instanzsegmentierung

Die Instanzsegmentierung geht einen Schritt weiter als die Objekterkennung und besteht darin, einzelne Objekte in einem Bild zu identifizieren und sie vom Rest des Bildes zu segmentieren.

Die Ausgabe eines Instanzsegmentierungsmodells ist eine Reihe von Masken oder Konturen, die jedes Objekt im Bild umreißen, zusammen mit Klassenbeschriftungen und Vertrauenswerten fĂŒr jedes Objekt. Die Instanzensegmentierung ist nĂŒtzlich, wenn du nicht nur wissen musst, wo sich Objekte in einem Bild befinden, sondern auch, wie ihre genaue Form aussieht.



Pass auf: FĂŒhren Sie die Segmentierung mit dem vortrainierten Ultralytics YOLOv8 Modell in Python aus.

Tipp

YOLOv8 Segmentmodelle verwenden die -seg Suffix, d.h.. yolov8n-seg.pt und sind vorgebildet auf COCO.

Modelle

YOLOv8 werden hier die vortrainierten Segment-Modelle gezeigt. Die Modelle "Detect", "Segment" und "Pose" wurden mit dem COCO-Datensatz trainiert, wÀhrend die Modelle "Classify" mit dem ImageNet-Datensatz trainiert wurden.

Die Modelle werden bei der ersten Verwendung automatisch von der neuestenVersion von Ultralytics heruntergeladen.

Modell GrĂ¶ĂŸe
(Pixel)
mAPbox
50-95
mAPmask
50-95
Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
A100 TensorRT
(ms)
params
(M)
FLOPs
(B)
YOLOv8n-seg 640 36.7 30.5 96.1 1.21 3.4 12.6
YOLOv8s-seg 640 44.6 36.8 155.7 1.47 11.8 42.6
YOLOv8m-seg 640 49.9 40.8 317.0 2.18 27.3 110.2
YOLOv8l-seg 640 52.3 42.6 572.4 2.79 46.0 220.5
YOLOv8x-seg 640 53.4 43.4 712.1 4.02 71.8 344.1
  • mAPval Werte sind fĂŒr ein Modell mit einer Skala auf COCO val2017 Datensatz.
    Reproduzieren durch yolo val segment data=coco.yaml device=0
  • Geschwindigkeit gemittelt ĂŒber die COCO val-Bilder unter Verwendung eines Amazon EC2 P4d Instanz.
    Reproduzieren durch yolo val segment data=coco8-seg.yaml batch=1 device=0|cpu

Zug

Trainiere YOLOv8n-seg auf dem COCO128-seg-Datensatz fĂŒr 100 Epochen bei BildgrĂ¶ĂŸe 640. Eine vollstĂ€ndige Liste der verfĂŒgbaren Argumente findest du auf der Seite Konfiguration.

Beispiel

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

Format des Datensatzes

YOLO Das Format der SegmentierungsdatensÀtze findest du im Detail im Dataset Guide. Um deinen bestehenden Datensatz aus anderen Formaten (wie COCO etc.) in das YOLO Format zu konvertieren, verwende bitte das JSON2YOLO Tool von Ultralytics.

Val

ÜberprĂŒfe die Genauigkeit des trainierten Modells YOLOv8n-seg auf dem COCO128-seg-Datensatz. Es muss kein Argument ĂŒbergeben werden, da die model seine Ausbildung beibehĂ€lt data und Argumente als Modellattribute.

Beispiel

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

Vorhersage

Verwende ein trainiertes YOLOv8n-seg Modell, um Vorhersagen fĂŒr Bilder zu treffen.

Beispiel

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

Siehe voll predict Modus Details in der Vorhersage Seite.

exportieren

Exportiere ein YOLOv8n-seg Modell in ein anderes Format wie ONNX, CoreML, etc.

Beispiel

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

Die verfĂŒgbaren YOLOv8-seg Exportformate findest du in der Tabelle unten. Du kannst in jedes beliebige Format exportieren, indem du die format Argument, d.h. format='onnx' oder format='engine'. Du kannst exportierte Modelle direkt vorhersagen oder validieren, d.h. yolo predict model=yolov8n-seg.onnx. Nach Abschluss des Exports werden Anwendungsbeispiele fĂŒr dein Modell angezeigt.

Format format Argument Modell Metadaten Argumente
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, int8, 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 Lite tflite yolov8n-seg.tflite ✅ imgsz, half, int8, batch
TF Kante TPU edgetpu yolov8n-seg_edgetpu.tflite ✅ imgsz
TF.js 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

Siehe voll export Details in der exportieren Seite.



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (18), Burhan-Q (4), Laughing-q (1)

Kommentare