Segmentación de instancias

La segmentación de instancias va un paso más allá de la detección de objetos e implica la identificación de objetos individuales en una imagen y su segmentación del resto de la imagen.

La salida de un modelo de segmentación de instancias es un conjunto de máscaras o contornos que delinean cada objeto en la imagen, junto con etiquetas de clase y puntajes de confianza para cada objeto. La segmentación de instancias es útil cuando necesitas saber no solo dónde están los objetos en una imagen, sino también cuál es su forma exacta.

Ver: Ejecutar segmentación con un modelo YOLO de Ultralytics preentrenado en python.

Modelos

Aquí se muestran los modelos Segment preentrenados de YOLO26. Los modelos Detect, Segment y Pose están preentrenados en el conjunto de datos COCO, mientras que los modelos Classify están preentrenados en el conjunto de datos ImageNet.

Los modelos se descargan automáticamente desde la última versión de Ultralytics en el primer uso.

• mAP^val los valores corresponden a un solo modelo a escala única en COCO val2017 conjunto de datos.
  Reproducir mediante yolo val segment data=coco.yaml device=0
• Velocidad promediado sobre imágenes val de COCO utilizando un instancia de Amazon EC2 P4d .
  Reproducir mediante yolo val segment data=coco.yaml batch=1 device=0|cpu

Entrenar

Entrene YOLO26n-seg en el conjunto de datos COCO8-seg durante 100 épocas con un tamaño de imagen de 640. Para obtener una lista completa de los argumentos disponibles, consulte la página de Configuración.

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.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=yolo26n-seg.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo26n-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=yolo26n-seg.yaml pretrained=yolo26n-seg.pt epochs=100 imgsz=640

Formato del dataset

El formato del conjunto de datos de segmentación YOLO se puede encontrar detallado en la Guía de Conjuntos de Datos. Para convertir su conjunto de datos existente de otros formatos (como COCO, etc.) al formato YOLO, utilice la herramienta JSON2YOLO de Ultralytics.

Val

Valide el modelo YOLO26n-seg entrenado precisión en el dataset COCO8-seg. No se necesitan argumentos ya que el model conserva su entrenamiento data y argumentos como atributos del modelo.

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.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

yolo segment val model=yolo26n-seg.pt  # val official model
yolo segment val model=path/to/best.pt # val custom model

Predecir

Utilice un modelo YOLO26n-seg entrenado para ejecutar predicciones en imágenes.

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 in polygon format
    xyn = result.masks.xyn  # normalized
    masks = result.masks.data  # mask in matrix format (num_objects x H x W)

yolo segment predict model=yolo26n-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

Ver detalles completos del predict modo en la Predecir página.

Exportar

Exporte un modelo YOLO26n-seg a un formato diferente como 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")

yolo export model=yolo26n-seg.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx # export custom-trained model

Los formatos de exportación disponibles para YOLO26-seg se encuentran en la siguiente tabla. Puede exportar a cualquier formato utilizando el format argumento, es decir, format='onnx' o format='engine'. Se puede predecir o validar directamente sobre modelos exportados, es decir, yolo predict model=yolo26n-seg.onnxDespués de que finalice la exportación, se mostrarán ejemplos de uso para su modelo.

Ver detalles completos del export detalles en la Exportar página.

Preguntas frecuentes

¿Cómo entreno un modelo de segmentation de YOLO26 en un conjunto de datos personalizado?

Para entrenar un modelo de segmentación YOLO26 con un conjunto de datos personalizado, primero debe preparar su conjunto de datos en el formato de segmentación YOLO. Puede utilizar herramientas como JSON2YOLO para convertir conjuntos de datos de otros formatos. Una vez que su conjunto de datos esté listo, puede entrenar el modelo utilizando comandos de Python o CLI:

from ultralytics import YOLO

# Load a pretrained YOLO26 segment model
model = YOLO("yolo26n-seg.pt")

# Train the model
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)

yolo segment train data=path/to/your_dataset.yaml model=yolo26n-seg.pt epochs=100 imgsz=640

Consulta la página de Configuración para obtener más argumentos disponibles.

¿Cuál es la diferencia entre la detección de objetos y la segmentación de instancias en YOLO26?

La detección de objetos identifica y localiza objetos dentro de una imagen dibujando cajas delimitadoras alrededor de ellos, mientras que la segmentación de instancias no solo identifica las cajas delimitadoras, sino que también delinea la forma exacta de cada objeto. Los modelos de segmentation de instancias de YOLO26 proporcionan máscaras o contornos que delinean cada objeto detect, lo cual es particularmente útil para tareas donde conocer la forma precisa de los objetos es importante, como en imágenes médicas o conducción autónoma.

¿Por qué utilizar YOLO26 para la segmentación de instancias?

Ultralytics YOLO26 es un modelo de vanguardia reconocido por su alta precisión y rendimiento en tiempo real, lo que lo hace ideal para tareas de segmentación de instancias. Los modelos YOLO26 Segment vienen preentrenados en el conjunto de datos COCO, lo que garantiza un rendimiento robusto en una variedad de objetos. Además, YOLO es compatible con las funcionalidades de entrenamiento, validación, predicción y exportación con una integración perfecta, lo que lo hace muy versátil tanto para aplicaciones de investigación como industriales.

¿Cómo cargo y valido un modelo de segmentación YOLO preentrenado?

Cargar y validar un modelo de segmentación YOLO preentrenado es sencillo. Aquí te mostramos cómo puedes hacerlo usando python y CLI:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n-seg.pt")

# Validate the model
metrics = model.val()
print("Mean Average Precision for boxes:", metrics.box.map)
print("Mean Average Precision for masks:", metrics.seg.map)

yolo segment val model=yolo26n-seg.pt

Estos pasos te proporcionarán métricas de validación como la Precisión Media Promedio (mAP), crucial para evaluar el rendimiento del modelo.

¿Cómo puedo exportar un modelo de segmentación YOLO al formato ONNX?

Exportar un modelo de segmentación YOLO al formato ONNX es sencillo y se puede hacer usando comandos de python o CLI:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n-seg.pt")

# Export the model to ONNX format
model.export(format="onnx")

yolo export model=yolo26n-seg.pt format=onnx

Para obtener más detalles sobre la exportación a varios formatos, consulte la página de Exportación.

📅 Creado hace 2 años ✏️ Actualizado hace 2 días

Comentarios