इंस्टेंस सेगमेंटेशन

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.

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।

• 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.

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।

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।

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।

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.

पूरा देखें export में विवरण निर्यातित माल पृष्ठ।

अक्सर पूछे जाने वाले प्रश्न

मैं एक को कैसे प्रशिक्षित करूं YOLOv8 एक कस्टम डेटासेट पर विभाजन मॉडल?

एक को प्रशिक्षित करने के लिए YOLOv8 Segmentation मॉडल पर एक कस्टम डेटासेट पर, आपको सबसे पहले अपना डेटासेट तैयार करना होगा YOLO विभाजन प्रारूप। आप डेटासेट को अन्य प्रारूपों से परिवर्तित करने के लिए JSON2YOLO जैसे टूल का उपयोग कर सकते हैं। एक बार आपका डेटासेट तैयार हो जाने के बाद, आप मॉडल का उपयोग करके प्रशिक्षित कर सकते हैं Python नहीं तो CLI आदेश:

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

अधिक उपलब्ध तर्कों के लिए कॉन्फ़िगरेशन पृष्ठ देखें.

ऑब्जेक्ट डिटेक्शन और इंस्टेंस सेगमेंटेशन के बीच अंतर क्या है YOLOv8?

ऑब्जेक्ट डिटेक्शन उनके चारों ओर बाउंडिंग बॉक्स खींचकर एक छवि के भीतर वस्तुओं की पहचान करता है और स्थानीयकरण करता है, जबकि उदाहरण विभाजन न केवल बाउंडिंग बॉक्स की पहचान करता है बल्कि प्रत्येक ऑब्जेक्ट के सटीक आकार को भी चित्रित करता है। YOLOv8 उदाहरण विभाजन मॉडल मास्क या आकृति प्रदान करते हैं जो प्रत्येक ज्ञात वस्तु को रेखांकित करते हैं, जो विशेष रूप से उन कार्यों के लिए उपयोगी होता है जहां वस्तुओं के सटीक आकार को जानना महत्वपूर्ण है, जैसे कि चिकित्सा इमेजिंग या स्वायत्त ड्राइविंग।

क्यों उपयोग करें YOLOv8 उदाहरण के लिए विभाजन?

Ultralytics YOLOv8 एक अत्याधुनिक मॉडल है जो अपनी उच्च सटीकता और वास्तविक समय के प्रदर्शन के लिए पहचाना जाता है, जो इसे उदाहरण विभाजन कार्यों के लिए आदर्श बनाता है। YOLOv8 सेगमेंट मॉडल COCO डेटासेट पर पूर्व-प्रशिक्षित होते हैं, जो विभिन्न प्रकार की वस्तुओं में मजबूत प्रदर्शन सुनिश्चित करते हैं। इसके अतिरिक्त YOLOv8 सहज एकीकरण के साथ प्रशिक्षण, सत्यापन, भविष्यवाणी और निर्यात कार्यात्मकताओं का समर्थन करता है, जिससे यह अनुसंधान और उद्योग अनुप्रयोगों दोनों के लिए अत्यधिक बहुमुखी हो जाता है।

मैं एक पूर्व-प्रशिक्षित को कैसे लोड और मान्य करूं YOLOv8 विभाजन मॉडल?

लोड हो रहा है और एक pretrained मान्य YOLOv8 विभाजन मॉडल सीधा है। यहां बताया गया है कि आप दोनों का उपयोग करके इसे कैसे कर सकते हैं Python और 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

ये चरण आपको औसत औसत परिशुद्धता (एमएपी) जैसे सत्यापन मीट्रिक प्रदान करेंगे, जो मॉडल प्रदर्शन का आकलन करने के लिए महत्वपूर्ण है।

मैं एक निर्यात कैसे कर सकता हूं YOLOv8 विभाजन मॉडल को ONNX प्रारूप?

निर्यात करना YOLOv8 विभाजन मॉडल को ONNX प्रारूप सरल है और इसका उपयोग करके किया जा सकता है Python नहीं तो CLI आदेश:

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

विभिन्न स्वरूपों में निर्यात करने के बारे में अधिक विवरण के लिए, निर्यात पृष्ठ देखें।

टिप्पणियाँ