Skip to content

Segmentation des instances

Exemples de segmentation d'instances

La segmentation des instances va plus loin que la détection des objets et consiste à identifier des objets individuels dans une image et à les segmenter par rapport au reste de l'image.

Le résultat d'un modèle de segmentation d'instance est un ensemble de masques ou de contours qui délimitent chaque objet de l'image, ainsi que des étiquettes de classe et des scores de confiance pour chaque objet. La segmentation par instance est utile lorsque tu as besoin de savoir non seulement où se trouvent les objets dans une image, mais aussi quelle est leur forme exacte.



Regarde : Exécute la segmentation avec le modèle Ultralytics YOLOv8 pré-entraîné dans Python.

Astuce

YOLOv8 Les modèles de segment utilisent le -seg suffixe, c'est-à-dire yolov8n-seg.pt et sont formés à l'avance sur COCO.

Modèles

YOLOv8 Les modèles de segment préentraînés sont présentés ici. Les modèles de détection, de segmentation et de pose sont entraînés sur l'ensemble de données COCO, tandis que les modèles de classification sont entraînés sur l'ensemble de données ImageNet.

Les modèles se téléchargent automatiquement à partir de la dernièreversion de Ultralytics lors de la première utilisation.

Modèle taille
(pixels)
mAPbox
50-95
mAPmask
50-95
Vitesse
CPU ONNX
(ms
)
Vitesse
A100 TensorRT
(ms
)
params
(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 Les valeurs sont pour un modèle unique Ă  l'Ă©chelle unique sur COCO val2017 ensemble de donnĂ©es.
    Reproduire par yolo val segment data=coco.yaml device=0
  • La vitesse moyenne des images COCO val Ă  l'aide d'un Amazon EC2 P4d instance.
    Reproduire par yolo val segment data=coco128-seg.yaml batch=1 device=0|cpu

Train

Entraîne YOLOv8n-seg sur l'ensemble de données COCO128-seg pour 100 époques à la taille d'image 640. Pour une liste complète des arguments disponibles, voir la page Configuration.

Exemple

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='coco128-seg.yaml', epochs=100, imgsz=640)
# Build a new model from YAML and start training from scratch
yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo segment train data=coco128-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=coco128-seg.yaml model=yolov8n-seg.yaml pretrained=yolov8n-seg.pt epochs=100 imgsz=640

Format des données

YOLO Le format des jeux de données de segmentation est détaillé dans le Guide des jeux de données. Pour convertir tes données existantes dans d'autres formats (comme COCO, etc.) au format YOLO , utilise l'outil JSON2YOLO à l'adresse Ultralytics.

Val

Valide la précision du modèle YOLOv8n-seg entraîné sur le jeu de données COCO128-seg. Aucun argument n'a besoin d'être passé en tant que model conserve sa formation data et les arguments en tant qu'attributs du modèle.

Exemple

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

Prévoir

Utilise un modèle YOLOv8n-seg entraîné pour faire des prédictions sur les images.

Exemple

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

Voir l'intégralité predict détails du mode dans la rubrique Prévoir page.

Exporter

Exporte un modèle YOLOv8n-seg vers un format différent comme ONNX, CoreML, etc.

Exemple

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

Les formats d'exportation YOLOv8-seg disponibles sont présentés dans le tableau ci-dessous. Tu peux prédire ou valider directement sur les modèles exportés, c'est-à-dire. yolo predict model=yolov8n-seg.onnx. Des exemples d'utilisation sont montrés pour ton modèle une fois l'exportation terminée.

Format format Argument Modèle Métadonnées Arguments
PyTorch - yolov8n-seg.pt âś… -
TorchScript torchscript yolov8n-seg.torchscript âś… imgsz, optimize
ONNX onnx yolov8n-seg.onnx âś… imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n-seg_openvino_model/ âś… imgsz, half, int8
TensorRT engine yolov8n-seg.engine âś… imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n-seg.mlpackage âś… imgsz, half, int8, nms
TF SavedModel saved_model yolov8n-seg_saved_model/ âś… imgsz, keras
TF GraphDef pb yolov8n-seg.pb ❌ imgsz
TF Lite tflite yolov8n-seg.tflite âś… imgsz, half, int8
TF Bord TPU edgetpu yolov8n-seg_edgetpu.tflite âś… imgsz
TF.js tfjs yolov8n-seg_web_model/ âś… imgsz, half, int8
PaddlePaddle paddle yolov8n-seg_paddle_model/ âś… imgsz
ncnn ncnn yolov8n-seg_ncnn_model/ âś… imgsz, half

Voir l'intégralité export détails dans le Exporter page.



Créé le 2023-11-12, Mis à jour le 2024-02-03
Auteurs : glenn-jocher (9), Laughing-q (1), AyushExel (1)

Commentaires