Segmentación de instancias
La segmentación de instancias va un paso más allá de la detección de objetos y consiste en 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 delinean cada objeto de la imagen, junto con etiquetas de clase y puntuaciones de confianza para cada objeto. La segmentación de instancias es útil cuando necesitas saber no sólo dónde están los objetos en una imagen, sino también cuál es su forma exacta.
Observa: Ejecuta la segmentación con el modelo preentrenado Ultralytics YOLOv8 en Python.
Consejo
YOLOv8 Los modelos de segmentos utilizan la -seg
sufijo, es decir yolov8n-seg.pt
y están preentrenados en COCO.
Modelos
YOLOv8 Aquí se muestran los modelos Segmentar preentrenados. Los modelos Detectar, Segmentar y Pose están preentrenados en el conjunto de datos COCO, mientras que los modelos Clasificar están preentrenados en el conjunto de datos ImageNet.
Los modelos se descargan automáticamente de la últimaversión de Ultralytics la primera vez que se utilizan.
Modelo | tamaño (píxeles) |
mAPbox 50-95 |
mAPmask 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 |
- mAPval son para un modelo de escala única en COCO val2017 conjunto de datos.
Reproducir poryolo val segment data=coco.yaml device=0
- Velocidad promediada sobre las imágenes COCO val utilizando un Amazon EC2 P4d instancia.
Reproducir poryolo val segment data=coco8-seg.yaml batch=1 device=0|cpu
Tren
Entrena YOLOv8n-seg en el conjunto de datos COCO128-seg durante 100 épocas con un tamaño de imagen de 640. Para ver la lista completa de argumentos disponibles, consulta la página Configuración.
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 segmentación se puede consultar en detalle 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 la precisión del modelo entrenado YOLOv8n-seg en el conjunto de datos COCO128-seg. No es necesario pasar ningún argumento como model
conserva su formación 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
Predecir
Utiliza un modelo YOLOv8n-seg entrenado para realizar predicciones sobre las imágenes.
Ejemplo
Ver todo predict
detalles del modo en el Predecir página.
Exportar
Exporta un modelo YOLOv8n-seg a un formato diferente como ONNX, CoreML, etc.
Ejemplo
Los formatos de exportación disponibles de YOLOv8-seg están en la tabla siguiente. Puedes exportar a cualquier formato utilizando el botón 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 exportación.
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 página.
PREGUNTAS FRECUENTES
¿Cómo entreno un modelo de segmentación YOLOv8 en un conjunto de datos personalizado?
Para entrenar un modelo de segmentación YOLOv8 en un conjunto de datos personalizado, primero tienes que 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 los comandos Python o CLI :
Ejemplo
Consulta la página Configuración para ver más argumentos disponibles.
¿Cuál es la diferencia entre la detección de objetos y la segmentación de instancias en YOLOv8?
La detección de objetos identifica y localiza los objetos dentro de una imagen dibujando recuadros delimitadores a su alrededor, mientras que la segmentación de instancias no sólo identifica los recuadros delimitadores, sino que también delinea la forma exacta de cada objeto. YOLOv8 los modelos de segmentación de instancias proporcionan máscaras o contornos que delinean cada objeto detectado, lo que resulta especialmente útil para tareas en las que conocer la forma precisa de los objetos es importante, como las imágenes médicas o la conducción autónoma.
¿Por qué utilizar YOLOv8 para la segmentación de instancias?
Ultralytics YOLOv8 es un modelo de vanguardia reconocido por su gran precisión y rendimiento en tiempo real, lo que lo hace ideal para tareas de segmentación de instancias. YOLOv8 Los modelos de segmentación vienen preentrenados en el conjunto de datos COCO, lo que garantiza un rendimiento sólido en una gran variedad de objetos. Además, YOLOv8 admite 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 puedo cargar y validar un modelo de segmentación YOLOv8 preentrenado?
Cargar y validar un modelo de segmentación YOLOv8 preentrenado es sencillo. A continuación te explicamos cómo puedes hacerlo utilizando tanto Python como CLI:
Ejemplo
Estos pasos te proporcionarán métricas de validación como la Precisión Media Promedio (mAP), cruciales para evaluar el rendimiento del modelo.
¿Cómo puedo exportar un modelo de segmentación de YOLOv8 al formato ONNX ?
Exportar un modelo de segmentación YOLOv8 al formato ONNX es sencillo y puede hacerse utilizando los comandos Python o CLI :
Ejemplo
Para más detalles sobre la exportación a varios formatos, consulta la página Exportar.