Segmentation d’instances avec Ultralytics YOLO#

La segmentation d’instances va plus loin que la détection d’objets : elle consiste à identifier les objets individuels présents dans une image et à les segmenter du reste de l’image.

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

Modèles#

Les modèles YOLO26 Segment préentraînés sont présentés ici. Les modèles Detect, Segment et Pose sont préentraînés sur le jeu de données COCO, les modèles Semantic sont préentraînés sur Cityscapes, et les modèles Classify sont préentraînés sur le jeu de données ImageNet.

Les modèles sont automatiquement téléchargés depuis la dernière version d’Ultralytics lors de la première utilisation.

• Les valeurs de mAP^val correspondent à une inférence à échelle unique avec un seul modèle sur le jeu de données COCO val2017.
  Reproduis-les avec yolo val segment data=coco.yaml device=0 nms=False
• La vitesse est calculée comme la moyenne sur les images COCO val à l’aide d’une instance Amazon EC2 P4d.
  Reproduis-la avec yolo val segment data=coco.yaml batch=1 device=0|cpu nms=False
• Params and FLOPs values are for fused models after Conv/BatchNorm folding and removal of the unused detection branch. Pretrained checkpoints retain the full training architecture and may show higher counts.

Ces points de contrôle segmentent les 80 classes de COCO. Pour segmenter des catégories qui ne figurent pas dans cette liste sans réentraînement, consulte YOLOE, qui accepte les classes sous forme d’invite textuelle, d’exemple visuel ou de vocabulaire intégré.

Consulte l'aperçu non publié de YOLO27 pour les résultats préliminaires de boîtes et de masques COCO.

Entraîner#

Entraîne YOLO26n-seg sur le jeu de données COCO8-seg pendant 100 époques, avec une taille d’image de 640. Pour obtenir la 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 Entraînement. Les modèles de segmentation peuvent également être entraînés avec l’entraînement cloud d’Ultralytics Platform.

Format du dataset#

Le format de jeu de données de segmentation YOLO peut être consulté en détail dans le Guide des jeux de données. Pour convertir un jeu de données COCO JSON existant au format YOLO, utilise la fonction intégrée convert_coco avec use_segments=True, comme décrit dans le guide de conversion COCO vers YOLO. Tu peux aussi créer des masques de segmentation avec l'annotation de la plateforme Ultralytics à l'aide d'outils de polygones et de l'annotation intelligente propulsée par SAM.

Validation#

Évalue la précision du modèle YOLO26n-seg entraîné sur le jeu de données COCO8-seg. Aucun argument n’est nécessaire, car model conserve ses data et ses arguments d’entraînement comme attributs du 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

Prédiction#

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 polygons in pixel coordinates
    xyn = result.masks.xyn  # normalized mask polygons
    masks = result.masks.data  # binary masks, shape (N,H,W), dtype torch.uint8

Consulte les détails complets du mode predict dans la page Prédiction.

Sortie des résultats#

La segmentation d’instances YOLO renvoie un objet Results par image. Chaque résultat stocke des prédictions au niveau des objets, où chaque instance détectée possède son propre masque binaire, sa classe, sa confiance et sa boîte.

Pour connaître les champs Results spécifiques à chaque tâche, consulte la section Résultats des prédictions par tâche.

Différences avec la segmentation sémantique#

La segmentation d’instances est une segmentation au niveau des objets : deux voitures produisent deux masques, deux boîtes et deux scores de confiance. La segmentation sémantique est une classification au niveau des pixels : ces mêmes voitures deviennent des pixels portant le même ID de classe dans une carte de classes de la taille de l’image, sans boîtes, scores de confiance ni liste de polygones par objet par défaut.

Exportation#

Exporte un modèle YOLO26n-seg vers un autre format, comme 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 YOLO26-seg disponibles sont répertoriés dans le tableau ci-dessous. Tu peux exporter vers n’importe quel format à l’aide de l’argument format, c’est-à-dire format='onnx' ou format='engine'. Tu peux effectuer des prédictions ou des validations directement sur les modèles exportés, c’est-à-dire yolo predict model=yolo26n-seg.onnx. Des exemples d’utilisation de ton modèle s’affichent une fois l’exportation terminée.

nms=None utilise par défaut des sorties brutes pour NMS externe. Définis nms=False pour sélectionner une tête sans NMS disponible ; les formats non pris en charge reviennent à leur chemin de sortie natif. Les entrées nms ci-dessus identifient les formats capables d'intégrer NMS avec nms=True.

Consulte les détails complets du mode export dans la page Exportation.

FAQ#