Segmentación de Instancias
La segmentación de instancias va un paso más allá de la detección de objetos e implica identificar objetos individuales en una imagen y segmentarlos del resto de la imagen.
La salida de un modelo de segmentación de instancias es un conjunto de máscaras o contornos que delimitan 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.
Mira: Ejecuta la Segmentación con el Modelo Ultralytics YOLOv8 Preentrenado en Python.
Consejo
Los modelos YOLOv8 Segment utilizan el sufijo -seg
, es decir, yolov8n-seg.pt
y están preentrenados en el COCO.
Modelos
Aquí se muestran los modelos Segment preentrenados YOLOv8. 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 el último lanzamiento de Ultralytics release en su primer uso.
Modelo | Tamaño (píxeles) |
mAPcaja 50-95 |
mAPmáscara 50-95 |
Velocidad CPU ONNX (ms) |
Velocidad A100 TensorRT (ms) |
Parámetros (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 |
- Los valores mAPval son para un único modelo a una única escala en el conjunto de datos COCO val2017.
Reproducir utilizandoyolo val segment data=coco.yaml device=0
- La Velocidad promediada sobre imágenes de COCO val utilizando una instancia de Amazon EC2 P4d.
Reproducir utilizandoyolo val segment data=coco128-seg.yaml batch=1 device=0|cpu
Entrenamiento
Entrena el modelo YOLOv8n-seg en el conjunto de datos COCO128-seg durante 100 épocas con tamaño de imagen de 640. Para una lista completa de argumentos disponibles, consulta la página de Configuración.
Ejemplo
from ultralytics import YOLO
# Cargar un modelo
model = YOLO('yolov8n-seg.yaml') # construir un nuevo modelo desde YAML
model = YOLO('yolov8n-seg.pt') # cargar un modelo preentrenado (recomendado para entrenamiento)
model = YOLO('yolov8n-seg.yaml').load('yolov8n.pt') # construir desde YAML y transferir pesos
# Entrenar el modelo
results = model.train(data='coco128-seg.yaml', epochs=100, imgsz=640)
# Construir un nuevo modelo desde YAML y comenzar a entrenar desde cero
yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml epochs=100 imgsz=640
# Comenzar a entrenar desde un modelo *.pt preentrenado
yolo segment train data=coco128-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640
# Construir un nuevo modelo desde YAML, transferir pesos preentrenados y comenzar a entrenar
yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml pretrained=yolov8n-seg.pt epochs=100 imgsz=640
Formato del conjunto de datos
El formato del conjunto de datos de segmentación YOLO puede encontrarse detallado en la Guía de Conjuntos de Datos. Para convertir tu conjunto de datos existente de otros formatos (como COCO, etc.) al formato YOLO, utiliza la herramienta JSON2YOLO de Ultralytics.
Validación
Valida la precisión del modelo YOLOv8n-seg entrenado en el conjunto de datos COCO128-seg. No es necesario pasar ningún argumento ya que el modelo
retiene sus datos
de entrenamiento y argumentos como atributos del modelo.
Ejemplo
from ultralytics import YOLO
# Cargar un modelo
model = YOLO('yolov8n-seg.pt') # cargar un modelo oficial
model = YOLO('ruta/a/mejor.pt') # cargar un modelo personalizado
# Validar el modelo
metrics = model.val() # no se necesitan argumentos, el conjunto de datos y configuraciones se recuerdan
metrics.box.map # map50-95(B)
metrics.box.map50 # map50(B)
metrics.box.map75 # map75(B)
metrics.box.maps # una lista contiene map50-95(B) de cada categoría
metrics.seg.map # map50-95(M)
metrics.seg.map50 # map50(M)
metrics.seg.map75 # map75(M)
metrics.seg.maps # una lista contiene map50-95(M) de cada categoría
Predicción
Usa un modelo YOLOv8n-seg entrenado para realizar predicciones en imágenes.
Ejemplo
Consulta todos los detalles del modo predict
en la página de Predicción.
Exportación
Exporta un modelo YOLOv8n-seg a un formato diferente como ONNX, CoreML, etc.
Ejemplo
Los formatos disponibles para exportar YOLOv8-seg se muestran en la tabla a continuación. Puedes predecir o validar directamente en modelos exportados, es decir, yolo predict model=yolov8n-seg.onnx
. Se muestran ejemplos de uso para tu modelo después de que se completa la exportación.
Formato | Argumento format |
Modelo | Metadatos | Argumentos |
---|---|---|---|---|
PyTorch | - | yolov8n-seg.pt |
✅ | - |
TorchScript | torchscript |
yolov8n-seg.torchscript |
✅ | imgsz , optimize |
ONNX | onnx |
yolov8n-seg.onnx |
✅ | imgsz , half , dynamic , simplify , opset |
OpenVINO | openvino |
yolov8n-seg_openvino_model/ |
✅ | imgsz , half |
TensorRT | engine |
yolov8n-seg.engine |
✅ | imgsz , half , dynamic , simplify , workspace |
CoreML | coreml |
yolov8n-seg.mlpackage |
✅ | imgsz , half , int8 , nms |
TF SavedModel | saved_model |
yolov8n-seg_saved_model/ |
✅ | imgsz , keras |
TF GraphDef | pb |
yolov8n-seg.pb |
❌ | imgsz |
TF Lite | tflite |
yolov8n-seg.tflite |
✅ | imgsz , half , int8 |
TF Edge TPU | edgetpu |
yolov8n-seg_edgetpu.tflite |
✅ | imgsz |
TF.js | tfjs |
yolov8n-seg_web_model/ |
✅ | imgsz |
PaddlePaddle | paddle |
yolov8n-seg_paddle_model/ |
✅ | imgsz |
ncnn | ncnn |
yolov8n-seg_ncnn_model/ |
✅ | imgsz , half |
Consulta todos los detalles del modo export
en la página de Exportación.