Segmentation sémantique#

La segmentation sémantique attribue une étiquette de classe à chaque pixel d'une image, produisant une carte de classes dense qui couvre toute la scène. Contrairement à la segmentation d'instances, qui sépare les objets individuels, la segmentation sémantique groupe tous les pixels d'une même classe ensemble, peu importe le nombre d'objets distincts présents.

La sortie d'un modèle de segmentation sémantique est une carte de classe unique hauteur par largeur où chaque valeur de pixel correspond à un ID de classe prédit. Cela rend la segmentation sémantique idéale pour les tâches d'analyse de scène telles que la conduite autonome, l'imagerie médicale et la cartographie de l'occupation des sols.

Modèles#

Les modèles de segmentation sémantique YOLO26 pré-entraînés sur le jeu de données Cityscapes sont présentés ci-dessous.

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

• Les valeurs de mIoU^val correspondent à un modèle unique à échelle unique sur le jeu de validation de Cityscapes.
  Reproduis avec yolo semantic val data=cityscapes.yaml device=0 imgsz=2048
• Les métriques de Speed sont moyennées sur les images de validation de Cityscapes en utilisant une instance RTX3090.
  Reproduis avec yolo semantic val data=cityscapes.yaml batch=1 device=0|cpu imgsz=2048
• Les valeurs de Params et FLOPs concernent le modèle fusionné après model.fuse(), qui fusionne les couches Conv et BatchNorm. Les points de contrôle pré-entraînés conservent l'architecture d'entraînement complète et peuvent afficher des nombres plus élevés.

Les modèles de segmentation sémantique YOLO26 pré-entraînés sur le jeu de données ADE20K sont présentés ci-dessous.

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

• Les valeurs de mIoU^val correspondent à un modèle unique à échelle unique sur le jeu de validation ADE20K.
  Reproduis avec yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml device=0 imgsz=640, en remplaçant yolo26n-sem-ade20k.pt par le point de contrôle souhaité yolo26*-sem-ade20k.pt.
• Les métriques de Speed sont moyennées sur les images de validation d'ADE20K en utilisant une instance RTX3090.
  Reproduis avec yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml batch=1 device=0|cpu imgsz=640, en remplaçant yolo26n-sem-ade20k.pt par le point de contrôle souhaité yolo26*-sem-ade20k.pt.
• Les valeurs de Params et FLOPs concernent le modèle fusionné après model.fuse(), qui fusionne les couches Conv et BatchNorm. Les points de contrôle pré-entraînés conservent l'architecture d'entraînement complète et peuvent afficher des nombres plus élevés.

Entraîner (Train)#

Entraîne YOLO26n-sem sur le jeu de données Cityscapes8 pendant 100 époques à une taille d'image de 1024. Pour une liste complète des arguments disponibles, consulte la page Configuration.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.yaml")  # build a new model from YAML
model = YOLO("yolo26n-sem.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-sem.yaml").load("yolo26n-sem.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

Consulte tous les détails du mode train sur la page Train. Les modèles de segmentation sémantique peuvent également être entraînés avec l'entraînement cloud Ultralytics Platform.

Format de jeu de données#

Les jeux de données de segmentation sémantique utilisent des images de masques à canal unique, généralement PNG, où chaque valeur de pixel représente un ID de classe. Les pixels avec la valeur 255 sont traités comme "ignorer" et exclus du calcul de la perte. Le YAML du jeu de données doit spécifier les chemins vers les images et leurs répertoires de masques correspondants. Consulte le guide du jeu de données de segmentation sémantique pour les détails du format. Les jeux de données pris en charge incluent Cityscapes et ADE20K. Tu peux gérer et annoter des jeux de données sémantiques avec l'annotation Ultralytics Platform.

Valider (Val)#

Valide la précision du modèle YOLO26n-sem entraîné sur un jeu de données de segmentation sémantique. Passe explicitement data pour que la validation utilise le YAML de jeu de données prévu.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val(data="cityscapes.yaml")
metrics.miou  # mean Intersection over Union
metrics.pixel_accuracy  # overall pixel accuracy

Prédire (Predict)#

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

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.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:
    semantic_mask = result.semantic_mask.data  # class map, shape (H,W), integer dtype selected by class count

Consulte tous les détails du mode predict dans la page Prédire.

Sortie des résultats#

La segmentation sémantique YOLO renvoie un objet Results par image. Chaque résultat stocke une carte de classes dense pour l'image entière au lieu d'une liste de masques d'objets. Les pixels avec la classe prédite identique partagent le même ID de classe, même lorsqu'ils appartiennent à des objets séparés.

Pour les champs Results spécifiques à chaque tâche, consulte la section Résultats de prédiction par tâche.

Segmentation d'instance vs Sémantique#

Exporter (Export)#

Exporte un modèle YOLO26n-sem vers un format différent comme ONNX, CoreML, etc.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

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

Les formats d'exportation de segmentation sémantique YOLO26 disponibles se trouvent dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format en utilisant l'argument format, 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=yolo26n-sem.onnx. Des exemples d'utilisation sont affichés pour ton modèle une fois l'exportation terminée.

Consulte tous les détails de export dans la page Exporter.

FAQ#