Segmentation des 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.

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.

• ^mAPval Les valeurs sont pour un modèle unique à l'échelle unique sur COCO val2017 ensemble de données.
  Reproduire par yolo val segment data=coco.yaml device=0
• La vitesse moyenne des images COCO val à l'aide d'un Amazon EC2 P4d instance.
  Reproduire par yolo val segment data=coco8-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.

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

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.

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.

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.

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 disponibles pour YOLOv8-seg sont présentés dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format à l'aide de la fonction format argument, c'est-à-dire format='onnx' ou format='engine'. 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.

Voir l'intégralité export détails dans le Exporter page.

FAQ

Comment entraîner un modèle de segmentation YOLOv8 sur un ensemble de données personnalisé ?

Pour entraîner un modèle de segmentation YOLOv8 sur un ensemble de données personnalisé, tu dois d'abord préparer ton ensemble de données au format de segmentation YOLO . Tu peux utiliser des outils comme JSON2YOLO pour convertir les jeux de données à partir d'autres formats. Une fois que ton jeu de données est prêt, tu peux entraîner le modèle à l'aide des commandes Python ou CLI :

from ultralytics import YOLO

# Load a pretrained YOLOv8 segment model
model = YOLO("yolov8n-seg.pt")

# Train the model
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)

yolo segment train data=path/to/your_dataset.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Consulte la page Configuration pour connaître les autres arguments disponibles.

Quelle est la différence entre la détection d'objets et la segmentation d'instances dans YOLOv8?

La détection d'objets identifie et localise les objets dans une image en traçant des boîtes de délimitation autour d'eux, tandis que la segmentation d'instance identifie non seulement les boîtes de délimitation mais délimite également la forme exacte de chaque objet. YOLOv8 Les modèles de segmentation d'instance fournissent des masques ou des contours qui délimitent chaque objet détecté, ce qui est particulièrement utile pour les tâches où il est important de connaître la forme précise des objets, comme l'imagerie médicale ou la conduite autonome.

Pourquoi utiliser YOLOv8 pour la segmentation des instances ?

Ultralytics YOLOv8 est un modèle de pointe reconnu pour sa grande précision et ses performances en temps réel, ce qui le rend idéal pour les tâches de segmentation d'instances. YOLOv8 Les modèles de segmentation sont pré-entraînés sur l'ensemble de données COCO, ce qui garantit des performances solides sur une grande variété d'objets. En outre, YOLOv8 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 pré-entraîné YOLOv8 ?

Le chargement et la validation d'un modèle de segmentation pré-entraîné YOLOv8 sont simples. Voici comment tu peux le faire en utilisant à la fois Python et CLI:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolov8n-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)

yolo segment val model=yolov8n-seg.pt

Ces étapes te fourniront des mesures de validation telles que la précision moyenne (mAP), qui sont cruciales pour évaluer les performances du modèle.

Comment puis-je exporter un modèle de segmentation YOLOv8 au format ONNX ?

L'exportation d'un modèle de segmentation YOLOv8 au format ONNX est simple et peut se faire à l'aide des commandes Python ou CLI :

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolov8n-seg.pt")

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

yolo export model=yolov8n-seg.pt format=onnx

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

📅 Created 10 months ago ✏️ Updated 3 days ago

Commentaires