Ir al contenido

Segmentación de instancias

Ejemplos de 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: Ejecuta la segmentación con el modelo Ultralytics YOLO pre-entrenado en python.

Consejo

Los modelos de Segmento YOLO11 utilizan el -seg sufijo, p. ej. yolo11n-seg.pt y están pre-entrenados en COCO.

Modelos

Los modelos de Segmento YOLO11 preentrenados se muestran aquí. Los modelos de Detección, Segmento y Pose están preentrenados en el conjunto de datos COCO, mientras que los modelos de Clasificación están preentrenados en el conjunto de datos ImageNet.

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

Modelo tamaño
(píxeles)
mAPbox
50-95
mAPmask
50-95
Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
YOLO11n-seg 640 38.9 32.0 65.9 ± 1.1 1.8 ± 0.0 2.9 10.4
YOLO11s-seg 640 46.6 37.8 117.6 ± 4.9 2.9 ± 0.0 10.1 35.5
YOLO11m-seg 640 51.5 41.5 281.6 ± 1.2 6.3 ± 0.1 22.4 123.3
YOLO11l-seg 640 53.4 42.9 344.2 ± 3.2 7.8 ± 0.2 27.6 142.2
YOLO11x-seg 640 54.7 43.8 664.5 ± 3.2 15.8 ± 0.7 62.1 319.0
  • mAPval 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 promediada en imágenes COCO val utilizando una instancia de Amazon EC2 P4d .
    Reproducir mediante yolo val segment data=coco.yaml batch=1 device=0|cpu

Entrenar

Entrena YOLO11n-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, consulta la página de Configuración.

Ejemplo

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.yaml")  # build a new model from YAML
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n-seg.yaml").load("yolo11n.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=yolo11n-seg.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-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=yolo11n-seg.yaml pretrained=yolo11n-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 del conjunto de datos. Para convertir tu conjunto de datos existente de otros formatos (como COCO, etc.) al formato YOLO, utiliza la herramienta JSON2YOLO de Ultralytics.

Val

Valida el modelo YOLO11n-seg entrenado precisión en el conjunto de datos COCO8-seg. No se necesitan argumentos ya que el model conserva su entrenamiento data y argumentos como atributos del modelo.

Ejemplo

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt  # val official model
yolo segment val model=path/to/best.pt # val custom model

Predecir

Utiliza un modelo YOLO11n-seg entrenado para ejecutar predicciones en imágenes.

Ejemplo

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-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

Exporta un modelo YOLO11n-seg a un formato diferente como ONNX, CoreML, etc.

Ejemplo

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx # export custom trained model

Los formatos de exportación YOLO11-seg disponibles se encuentran en la tabla siguiente. Puedes exportar a cualquier formato utilizando el format argumento, por ejemplo: format='onnx' o format='engine'. Puedes predecir o validar directamente en modelos exportados, es decir, yolo predict model=yolo11n-seg.onnxDespués de que finalice la exportación, se mostrarán ejemplos de uso para su modelo.

Formato format Argumento Modelo Metadatos Argumentos
PyTorch - yolo11n-seg.pt -
TorchScript torchscript yolo11n-seg.torchscript imgsz, half, dynamic, optimize, nms, batch, device
ONNX onnx yolo11n-seg.onnx imgsz, half, dynamic, simplify, opset, nms, batch, device
OpenVINO openvino yolo11n-seg_openvino_model/ imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRT engine yolo11n-seg.engine imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreML coreml yolo11n-seg.mlpackage imgsz, half, int8, nms, batch, device
TF SavedModel saved_model yolo11n-seg_saved_model/ imgsz, keras, int8, nms, batch, device
TF GraphDef pb yolo11n-seg.pb imgsz, batch, device
TF Lite tflite yolo11n-seg.tflite imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPU edgetpu yolo11n-seg_edgetpu.tflite imgsz, device
TF.js tfjs yolo11n-seg_web_model/ imgsz, half, int8, nms, batch, device
PaddlePaddle paddle yolo11n-seg_paddle_model/ imgsz, batch, device
MNN mnn yolo11n-seg.mnn imgsz, batch, int8, half, device
NCNN ncnn yolo11n-seg_ncnn_model/ imgsz, half, batch, device
IMX500 imx yolo11n-seg_imx_model/ imgsz, int8, data, fraction, device
RKNN rknn yolo11n-seg_rknn_model/ imgsz, batch, name, device

Ver detalles completos del export detalles en la Exportar página.

Preguntas frecuentes

¿Cómo entreno un modelo de segmentación YOLO11 en un conjunto de datos personalizado?

Para entrenar un modelo de segmentación YOLO11 en un conjunto de datos personalizado, primero debes preparar tu conjunto de datos en el formato de segmentación YOLO. Puedes utilizar herramientas como JSON2YOLO para convertir conjuntos de datos de otros formatos. Una vez que tu conjunto de datos esté listo, puedes entrenar el modelo utilizando comandos de python o CLI:

Ejemplo

from ultralytics import YOLO

# Load a pretrained YOLO11 segment model
model = YOLO("yolo11n-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=yolo11n-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 YOLO11?

La detección de objetos identifica y localiza objetos dentro de una imagen dibujando cuadros delimitadores a su alrededor, mientras que la segmentación de instancias no solo identifica los cuadros delimitadores, sino que también delinea la forma exacta de cada objeto. Los modelos de segmentación de instancias YOLO11 proporcionan máscaras o contornos que delinean cada objeto detectado, 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 usar YOLO11 para la segmentación de instancias?

Ultralytics YOLO11 es un modelo de última generación reconocido por su alta precisión y rendimiento en tiempo real, lo que lo hace ideal para tareas de segmentación de instancias. Los modelos de segmento YOLO11 vienen preentrenados en el conjunto de datos COCO, lo que garantiza un rendimiento robusto en una variedad de objetos. Además, YOLO admite funcionalidades de entrenamiento, validación, predicción y exportación con una integración perfecta, lo que lo hace muy versátil tanto para la investigación como para las aplicaciones 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:

Ejemplo

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n-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=yolo11n-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:

Ejemplo

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n-seg.pt")

# Export the model to ONNX format
model.export(format="onnx")
yolo export model=yolo11n-seg.pt format=onnx

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



📅 Creado hace 1 año ✏️ Actualizado hace 5 meses

Comentarios