Saltar al contenido

Segmentaci贸n de instancias

Ejemplos de segmentaci贸n de instancias

La segmentaci贸n de instancias va un paso m谩s all谩 de la detecci贸n de objetos y consiste en identificar objetos individuales en una imagen y segmentarlos del resto de la imagen.

La salida de un modelo de segmentaci贸n de instancias es un conjunto de m谩scaras o contornos que delinean cada objeto de la imagen, junto con etiquetas de clase y puntuaciones de confianza para cada objeto. La segmentaci贸n de instancias es 煤til cuando necesitas saber no s贸lo d贸nde est谩n los objetos en una imagen, sino tambi茅n cu谩l es su forma exacta.



Observa: Ejecuta la segmentaci贸n con el modelo preentrenado Ultralytics YOLOv8 en Python.

Consejo

YOLOv8 Los modelos de segmentos utilizan la -seg sufijo, es decir yolov8n-seg.pt y est谩n preentrenados en COCO.

Modelos

YOLOv8 Aqu铆 se muestran los modelos Segmentar preentrenados. Los modelos Detectar, Segmentar y Pose est谩n preentrenados en el conjunto de datos COCO, mientras que los modelos Clasificar est谩n preentrenados en el conjunto de datos ImageNet.

Los modelos se descargan autom谩ticamente de la 煤ltimaversi贸n de Ultralytics la primera vez que se utilizan.

Modelo tama帽o
(p铆xeles)
mAPbox
50-95
mAPmask
50-95
Velocidad
CPU ONNX
(ms)
Velocidad
A100 TensorRT
(ms)
par谩metros
(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 son para un modelo de escala 煤nica en COCO val2017 conjunto de datos.
    Reproducir por yolo val segment data=coco.yaml device=0
  • Velocidad promediada sobre las im谩genes COCO val utilizando un Amazon EC2 P4d instancia.
    Reproducir por yolo val segment data=coco8-seg.yaml batch=1 device=0|cpu

Tren

Entrena YOLOv8n-seg en el conjunto de datos COCO128-seg durante 100 茅pocas con un tama帽o de imagen de 640. Para ver la lista completa de argumentos disponibles, consulta la p谩gina Configuraci贸n.

Ejemplo

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

Formato del conjunto de datos

YOLO El formato del conjunto de datos de segmentaci贸n se puede consultar en detalle en la Gu铆a 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 la precisi贸n del modelo entrenado YOLOv8n-seg en el conjunto de datos COCO128-seg. No es necesario pasar ning煤n argumento como model conserva su formaci贸n data y argumentos como atributos del modelo.

Ejemplo

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

Predecir

Utiliza un modelo YOLOv8n-seg entrenado para realizar predicciones sobre las im谩genes.

Ejemplo

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

Ver todo predict detalles del modo en el Predecir p谩gina.

Exportar

Exporta un modelo YOLOv8n-seg a un formato diferente como ONNX, CoreML, etc.

Ejemplo

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

Los formatos de exportaci贸n disponibles de YOLOv8-seg est谩n en la tabla siguiente. Puedes exportar a cualquier formato utilizando el bot贸n format argumento, es decir format='onnx' o format='engine'. Puedes predecir o validar directamente los modelos exportados, es decir. yolo predict model=yolov8n-seg.onnx. Se muestran ejemplos de uso de tu modelo una vez finalizada la exportaci贸n.

Formato format Argumento Modelo Metadatos Argumentos
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 Arista 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

Ver todo export detalles en el Exportar p谩gina.



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

Comentarios