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.
Astuce
YOLOv8 Les modèles de segment utilisent le -seg
suffixe, c'est-Ă -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 à l'échelle unique sur COCO val2017 ensemble de données.
Reproduire paryolo val segment data=coco.yaml device=0
- La vitesse moyenne des images COCO val Ă l'aide d'un Amazon EC2 P4d instance.
Reproduire paryolo 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.
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='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.
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
Prévoir
Utilise un modèle YOLOv8n-seg entraîné pour faire des prédictions sur les images.
Exemple
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
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-Ă -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.
Format | format Argument |
Modèle | Métadonnées | Arguments |
---|---|---|---|---|
PyTorch | - | yolov8n-seg.pt |
âś… | - |
TorchScript | torchscript |
yolov8n-seg.torchscript |
âś… | imgsz , optimize , batch |
ONNX | onnx |
yolov8n-seg.onnx |
âś… | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n-seg_openvino_model/ |
âś… | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n-seg.engine |
âś… | imgsz , half , dynamic , simplify , workspace , batch |
CoreML | coreml |
yolov8n-seg.mlpackage |
âś… | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n-seg_saved_model/ |
âś… | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n-seg.pb |
❌ | imgsz , batch |
TF Lite | tflite |
yolov8n-seg.tflite |
âś… | imgsz , half , int8 , batch |
TF Bord TPU | edgetpu |
yolov8n-seg_edgetpu.tflite |
âś… | imgsz , batch |
TF.js | tfjs |
yolov8n-seg_web_model/ |
âś… | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n-seg_paddle_model/ |
âś… | imgsz , batch |
NCNN | ncnn |
yolov8n-seg_ncnn_model/ |
âś… | imgsz , half , batch |
Voir l'intégralité export
détails dans le Exporter page.
Créé le 2023-11-12, Mis à jour le 2024-04-27
Auteurs : glenn-jocher (14), Burhan-Q (1), Laughing-q (1), AyushExel (1)