इंस्टेंस सेगमेंटेशन

आवृत्ति विभाजन उदाहरण

उदाहरण विभाजन ऑब्जेक्ट डिटेक्शन की तुलना में एक कदम आगे जाता है और इसमें एक छवि में अलग-अलग वस्तुओं की पहचान करना और उन्हें बाकी छवि से विभाजित करना शामिल है।

एक उदाहरण विभाजन मॉडल का उत्पादन मुखौटे या आकृति का एक सेट है जो छवि में प्रत्येक वस्तु को रेखांकित करता है, साथ ही प्रत्येक वस्तु के लिए वर्ग लेबल और आत्मविश्वास स्कोर के साथ। उदाहरण विभाजन उपयोगी है जब आप न केवल जहां वस्तुओं एक छवि में कर रहे हैं पता करने की जरूरत है, लेकिन यह भी क्या उनके सटीक आकार है.

सतर्कता: पूर्व-प्रशिक्षित के साथ विभाजन चलाएं Ultralytics YOLOv8 में मॉडल Python.

नोक

YOLOv8 सेगमेंट मॉडल -seg प्रत्यय, अर्थात। yolov8n-seg.pt और पर पूर्वप्रशिक्षित हैं कोको.

मॉडल

YOLOv8 पूर्व-प्रशिक्षित सेगमेंट मॉडल यहां दिखाए गए हैं। डिटेक्ट, सेगमेंट और पोज़ मॉडल COCO डेटासेट पर पूर्व-प्रशिक्षित हैं, जबकि वर्गीकृत मॉडल इमेजनेट डेटासेट पर पूर्व-प्रशिक्षित हैं।

मॉडल नवीनतम से स्वचालित रूप से डाउनलोड करते हैं Ultralytics पहले उपयोग पर रिलीज करें।

को गढ़ना	आकार वाला ^{(पिक्सेल)}	मानचित्र^{संदूक 50-95}	मानचित्र^{नकाब 50-95}	गति ^{सीपीयू ONNX (एमएस)}	गति ^{ए100 TensorRT (एमएस)}	परम ^(एम)	फ्लॉप ^(बी)
YOLOv8n-एसईजी	640	36.7	30.5	96.1	1.21	3.4	12.6
YOLOv8s-एसईजी	640	44.6	36.8	155.7	1.47	11.8	42.6
YOLOv8m-एसईजी	640	49.9	40.8	317.0	2.18	27.3	110.2
YOLOv8l-एसईजी	640	52.3	42.6	572.4	2.79	46.0	220.5
YOLOv8x-एसईजी	640	53.4	43.4	712.1	4.02	71.8	344.1

mAP^val मान एकल-मॉडल एकल-पैमाने पर हैं COCO val2017 डेटासेट।
द्वारा प्रजनन करना yolo val segment data=coco.yaml device=0
गति एक का उपयोग कर COCO val छवियों पर औसत अमेज़न EC2 P4d उदाहरण।
द्वारा प्रजनन करना yolo val segment data=coco8-seg.yaml batch=1 device=0|cpu

रेलगाड़ी

रेलगाड़ी YOLOv8nछवि आकार 640 पर 100 युगों के लिए COCO128-SEG डेटासेट पर -seg। उपलब्ध तर्कों की पूरी सूची के लिए , कॉन्फ़िगरेशन पृष्ठ देखें.

उदाहरण

PythonCLI

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

डेटासेट प्रारूप

YOLO विभाजन डेटासेट प्रारूप डेटासेट गाइड में विस्तार से पाया जा सकता है। अपने मौजूदा डेटासेट को अन्य प्रारूपों (जैसे COCO आदि) से बदलने के लिए YOLO प्रारूप, कृपया JSON2YOLO टूल का उपयोग करें Ultralytics.

वैल

प्रशिक्षित मान्य करें YOLOv8n-SEG मॉडल सटीकता COCO128-SEG डेटासेट पर। किसी तर्क को पारित करने की आवश्यकता नहीं है model अपने प्रशिक्षण को बरकरार रखता है data और मॉडल विशेषताओं के रूप में तर्क।

उदाहरण

PythonCLI

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

भविष्‍यवाणी करना

एक प्रशिक्षित का प्रयोग करें YOLOv8n-seg मॉडल छवियों पर भविष्यवाणियों को चलाने के लिए।

उदाहरण

PythonCLI

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

पूरा देखें predict मोड विवरण में भविष्‍यवाणी करना पृष्ठ।

निर्यातित माल

निर्यात a YOLOv8n-seg मॉडल की तरह एक अलग प्रारूप के लिए ONNX, CoreMLआदि।

उदाहरण

PythonCLI

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

सुलभ YOLOv8-एसईजी निर्यात प्रारूप नीचे दी गई तालिका में हैं। आप का उपयोग करके किसी भी प्रारूप में निर्यात कर सकते हैं format तर्क, अर्थात। format='onnx' नहीं तो format='engine'. आप निर्यात किए गए मॉडल पर सीधे भविष्यवाणी या मान्य कर सकते हैं, अर्थात। yolo predict model=yolov8n-seg.onnx. निर्यात पूर्ण होने के बाद आपके मॉडल के लिए उपयोग के उदाहरण दिखाए जाते हैं.

प्रारूप	`format` युक्ति	को गढ़ना	मेटाडेटा	तर्क
PyTorch	-	`yolov8n-seg.pt`	✅	-
TorchScript	`torchscript`	`yolov8n-seg.torchscript`	✅	`imgsz`, `optimize`, `batch`
ONNX	`onnx`	`yolov8n-seg.onnx`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `opset`, `batch`
OpenVINO	`openvino`	`yolov8n-seg_openvino_model/`	✅	`imgsz`, `half`, `int8`, `batch`
TensorRT	`engine`	`yolov8n-seg.engine`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `workspace`, `batch`
CoreML	`coreml`	`yolov8n-seg.mlpackage`	✅	`imgsz`, `half`, `int8`, `nms`, `batch`
TF SavedModel	`saved_model`	`yolov8n-seg_saved_model/`	✅	`imgsz`, `keras`, `int8`, `batch`
TF GraphDef	`pb`	`yolov8n-seg.pb`	❌	`imgsz`, `batch`
TF लाइट	`tflite`	`yolov8n-seg.tflite`	✅	`imgsz`, `half`, `int8`, `batch`
TF किनारा TPU	`edgetpu`	`yolov8n-seg_edgetpu.tflite`	✅	`imgsz`, `batch`
TF।जे एस	`tfjs`	`yolov8n-seg_web_model/`	✅	`imgsz`, `half`, `int8`, `batch`
PaddlePaddle	`paddle`	`yolov8n-seg_paddle_model/`	✅	`imgsz`, `batch`
NCNN	`ncnn`	`yolov8n-seg_ncnn_model/`	✅	`imgsz`, `half`, `batch`

पूरा देखें export में विवरण निर्यातित माल पृष्ठ।

2023-11-12 बनाया गया, अपडेट किया गया 2024-04-27
लेखक: ग्लेन-जोचर (14), बुरहान-क्यू (1), लाफिंग-क्यू (1), आयुषएक्सल (1)

इंस्टेंस सेगमेंटेशन

मॉडल

रेलगाड़ी

डेटासेट प्रारूप

वैल

भविष्‍यवाणी करना

निर्यातित माल

टिप्पणियाँ