Segmentation d'instance

La segmentation d'instance va plus loin que la détection d'objets et implique d'identifier des objets individuels dans une image et de les segmenter du reste de l'image.

La sortie d'un modèle de segmentation d'instance est un ensemble de masques ou de contours qui délimitent chaque objet dans l'image, ainsi que des étiquettes de classe et des scores de confiance pour chaque objet. La segmentation d'instance est utile lorsque tu as besoin de connaître non seulement l'emplacement des objets dans une image, mais aussi leur forme exacte.

Modèles

Les modèles Segment pré-entraînés de YOLO26 sont présentés ici. Les modèles Detect, Segment et Pose sont pré-entraînés sur le jeu de données COCO, tandis que les modèles Classify sont pré-entraînés sur le jeu de données ImageNet.

Les modèles se téléchargent automatiquement depuis la dernière version d'Ultralytics lors de leur première utilisation.

• Les valeurs mAP^val sont pour un modèle unique à échelle unique sur le jeu de données COCO val2017.
  Reproduis avec yolo val segment data=coco.yaml device=0
• La vitesse est moyennée sur les images COCO val en utilisant une instance Amazon EC2 P4d.
  Reproduis avec yolo val segment data=coco.yaml batch=1 device=0|cpu
• Les valeurs Params et FLOPs sont pour le modèle fusionné après model.fuse(), ce qui fusionne les couches Conv et BatchNorm et, pour les modèles end2end, supprime la tête de détection auxiliaire one-to-many. Les points de contrôle pré-entraînés conservent l'architecture d'entraînement complète et peuvent afficher des nombres plus élevés.

Entraînement

Entraîne YOLO26n-seg sur le jeu de données COCO8-seg pendant 100 époques avec une taille d'image de 640. Pour une liste complète des arguments disponibles, consulte la page Configuration.

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-seg.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

Consulte les détails complets du mode train sur la page Train. Les modèles de segmentation peuvent également être entraînés sur des GPU cloud via la plateforme Ultralytics.

Format de jeu de données

Le format du jeu de données de segmentation YOLO est détaillé dans le Guide des jeux de données. Pour convertir ton jeu de données existant depuis d'autres formats (comme COCO, etc.) vers le format YOLO, utilise l'outil JSON2YOLO d'Ultralytics. Tu peux également créer des masques de segmentation sur la plateforme Ultralytics en utilisant des outils de polygones et l'annotation intelligente basée sur SAM.

Validation

Valide la précision du modèle YOLO26n-seg entraîné sur le jeu de données COCO8-seg. Aucun argument n'est nécessaire car le model conserve ses data d'entraînement et ses arguments en tant qu'attributs de modèle.

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.box.image_metrics  # per-image metrics dictionary for det with precision, recall, F1, TP, FP, and FN
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
metrics.seg.image_metrics  # per-image metrics dictionary for seg with precision, recall, F1, TP, FP, and FN

Prédire

Utilise un modèle YOLO26n-seg entraîné pour effectuer des prédictions sur des images.

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)

Vois tous les détails du mode predict sur la page Predict.

Exportation

Exporte un modèle YOLO26n-seg vers un format différent tel que 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")

Les formats d'exportation disponibles pour YOLO26-seg sont dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format en utilisant l'argument format, par ex. format='onnx' ou format='engine'. Tu peux effectuer des prédictions ou des validations directement sur les modèles exportés, par ex. yolo predict model=yolo26n-seg.onnx. Des exemples d'utilisation sont présentés pour ton modèle une fois l'exportation terminée.

Voir les détails complets sur l'export dans la page Export.

FAQ

Comment entraîner un modèle de segmentation YOLO26 sur un jeu de données personnalisé ?

Pour entraîner un modèle de segmentation YOLO26 sur un jeu de données personnalisé, tu dois d'abord préparer ton jeu de données au format de segmentation YOLO. Tu peux utiliser des outils comme JSON2YOLO pour convertir des jeux de données depuis d'autres formats. Une fois ton jeu de données prêt, tu peux entraîner le modèle en utilisant Python ou des commandes 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)

Consulte la page Configuration pour plus d'arguments disponibles.

Quelle est la différence entre la détection d'objets et la segmentation d'instance dans YOLO26 ?

La détection d'objets identifie et localise les objets dans une image en traçant des boîtes englobantes autour d'eux, tandis que la segmentation d'instance identifie non seulement les boîtes englobantes mais délimite aussi la forme exacte de chaque objet. Les modèles de segmentation d'instance YOLO26 fournissent des masques ou des contours qui délimitent chaque objet détecté, ce qui est particulièrement utile pour les tâches où connaître la forme précise des objets est important, comme dans l'imagerie médicale ou la conduite autonome.

Pourquoi utiliser YOLO26 pour la segmentation d'instance ?

Ultralytics YOLO26 est un modèle de pointe reconnu pour sa haute précision et ses performances en temps réel, ce qui le rend idéal pour les tâches de segmentation d'instance. Les modèles YOLO26 Segment sont pré-entraînés sur le jeu de données COCO, assurant des performances robustes sur une variété d'objets. De plus, YOLO prend en charge les fonctionnalités d'entraînement, de validation, de prédiction et d'exportation avec une intégration transparente, ce qui le rend très polyvalent pour les applications de recherche et industrielles.

Comment charger et valider un modèle de segmentation YOLO pré-entraîné ?

Charger et valider un modèle de segmentation YOLO pré-entraîné est simple. Voici comment faire en utilisant à la fois Python et 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)

Ces étapes te fourniront des mesures de validation comme la Mean Average Precision (mAP), essentielle pour évaluer les performances du modèle.

Comment exporter un modèle de segmentation YOLO vers le format ONNX ?

Exporter un modèle de segmentation YOLO au format ONNX est simple et peut être effectué en utilisant Python ou des commandes CLI :

from ultralytics import YOLO

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

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

Pour plus de détails sur l'exportation vers différents formats, reporte-toi à la page Export.