Link to this sectionSegmentazione di istanze#

La segmentazione di istanze fa un passo avanti rispetto al rilevamento di oggetti e consiste nell'identificare i singoli oggetti in un'immagine e nel segmentarli dal resto dell'immagine.

L'output di un modello di segmentazione di istanze è un set di maschere o contorni che delineano ogni oggetto nell'immagine, insieme alle etichette di classe e ai punteggi di confidenza per ogni oggetto. La segmentazione di istanze è utile quando devi sapere non solo dove si trovano gli oggetti in un'immagine, ma anche quale sia la loro forma esatta.

Link to this sectionModelli#

Qui sono mostrati i modelli Segment pre-addestrati di YOLO26. I modelli Detect, Segment e Pose sono pre-addestrati sul dataset COCO, i modelli Semantic sono pre-addestrati su Cityscapes, e i modelli Classify sono pre-addestrati sul dataset ImageNet.

I modelli vengono scaricati automaticamente dall'ultima release di Ultralytics al primo utilizzo.

• I valori di mAP^val si riferiscono al modello singolo su scala singola sul dataset COCO val2017.
  Riproduci con yolo val segment data=coco.yaml device=0
• Velocità mediata sulle immagini di validazione COCO utilizzando un'istanza Amazon EC2 P4d.
  Riproduci con yolo val segment data=coco.yaml batch=1 device=0|cpu
• I valori di Parametri e FLOPs si riferiscono al modello fuso dopo model.fuse(), che unisce i livelli Conv e BatchNorm e, per i modelli end-to-end, rimuove l'head di rilevamento ausiliaria one-to-many. I checkpoint pre-addestrati conservano l'intera architettura di addestramento e potrebbero mostrare conteggi più elevati.

Link to this sectionAddestramento#

Addestra YOLO26n-seg sul dataset COCO8-seg per 100 epoche a una dimensione dell'immagine di 640. Per un elenco completo degli argomenti disponibili, consulta la pagina Configurazione.

from ultralytics import YOLO

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

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

Vedi i dettagli completi della modalità train nella pagina Train. I modelli di segmentazione possono anche essere addestrati su GPU nel cloud tramite la piattaforma Ultralytics.

Link to this sectionFormato del dataset#

Il formato del dataset di segmentazione YOLO può essere trovato in dettaglio nella Guida ai dataset. Per convertire il tuo dataset esistente da altri formati (come COCO, ecc.) al formato YOLO, utilizza lo strumento JSON2YOLO di Ultralytics. Puoi anche creare maschere di segmentazione sulla piattaforma Ultralytics utilizzando strumenti per poligoni e annotazioni intelligenti basate su SAM.

Link to this sectionValidazione#

Convalida l'accuratezza del modello YOLO26n-seg addestrato sul dataset COCO8-seg. Non sono necessari argomenti poiché il model mantiene i suoi data di addestramento e gli argomenti come attributi del modello.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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 containing mAP50-95(B) for each category
metrics.box.image_metrics  # per-image metrics dictionary for det with precision, recall, F1, TP, FP, and FN
metrics.seg.map  # map50-95(M)
metrics.seg.map50  # map50(M)
metrics.seg.map75  # map75(M)
metrics.seg.maps  # a list containing mAP50-95(M) for each category
metrics.seg.image_metrics  # per-image metrics dictionary for seg with precision, recall, F1, TP, FP, and FN

Link to this sectionPredizione#

Usa un modello YOLO26n-seg addestrato per eseguire previsioni sulle immagini.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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

# Access the results
for result in results:
    xy = result.masks.xy  # mask polygons in pixel coordinates
    xyn = result.masks.xyn  # normalized mask polygons
    masks = result.masks.data  # binary masks, shape (N,H,W), dtype torch.uint8

Vedi i dettagli completi della modalità predict nella pagina Predict.

Link to this sectionOutput dei risultati#

La segmentazione di istanze YOLO restituisce un oggetto Results per immagine. Ogni risultato memorizza le previsioni a livello di oggetto, dove ogni istanza rilevata ha la propria maschera binaria, classe, confidenza e riquadro (box).

Per i campi Results specifici per attività in ogni compito, vedi la sezione Risultati di previsione per attività.

Link to this sectionIn cosa differisce dalla segmentazione semantica#

La segmentazione di istanze è una segmentazione a livello di oggetto: due auto producono due maschere, due riquadri e due punteggi di confidenza. La segmentazione semantica è una classificazione a livello di pixel: quelle stesse auto diventano pixel con lo stesso ID di classe in una mappa di classe delle dimensioni dell'immagine, senza riquadri, confidenze o elenchi di poligoni predefiniti per oggetto.

Link to this sectionEsportazione#

Esporta un modello YOLO26n-seg in un formato diverso come ONNX, CoreML, ecc.

from ultralytics import YOLO

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

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

I formati di esportazione disponibili per YOLO26-seg sono nella tabella sottostante. Puoi esportare in qualsiasi formato utilizzando l'argomento format, ad esempio format='onnx' o format='engine'. Puoi prevedere o convalidare direttamente sui modelli esportati, ad esempio yolo predict model=yolo26n-seg.onnx. Gli esempi di utilizzo sono mostrati per il tuo modello al termine dell'esportazione.

Vedi i dettagli completi su export nella pagina Export.

Link to this sectionFAQ#

Link to this sectionCome addestro un modello di segmentazione YOLO26 su un dataset personalizzato?#

Per addestrare un modello di segmentazione YOLO26 su un dataset personalizzato, devi prima preparare il tuo dataset nel formato di segmentazione YOLO. Puoi usare strumenti come JSON2YOLO per convertire dataset da altri formati. Una volta che il tuo dataset è pronto, puoi addestrare il modello usando Python o i comandi CLI:

from ultralytics import YOLO

# Load a pretrained YOLO26 segment model
model = YOLO("yolo26n-seg.pt")

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

Consulta la pagina Configuration per ulteriori argomenti disponibili.

Link to this sectionQual è la differenza tra object detection e instance segmentation in YOLO26?#

L'object detection identifica e localizza gli oggetti all'interno di un'immagine tracciando dei bounding box attorno ad essi, mentre l'instance segmentation non solo identifica i bounding box, ma delinea anche la forma esatta di ogni oggetto. I modelli di instance segmentation YOLO26 forniscono maschere o contorni che delineano ogni oggetto rilevato, il che è particolarmente utile per attività in cui conoscere la forma precisa degli oggetti è importante, come l'imaging medico o la guida autonoma.

Link to this sectionPerché usare YOLO26 per l'instance segmentation?#

Ultralytics YOLO26 è un modello all'avanguardia riconosciuto per la sua alta precisione e le prestazioni in tempo reale, rendendolo ideale per attività di instance segmentation. I modelli YOLO26 Segment arrivano pre-addestrati sul COCO dataset, garantendo prestazioni robuste su una varietà di oggetti. Inoltre, YOLO supporta le funzionalità di addestramento, validazione, previsione ed esportazione con un'integrazione fluida, rendendolo altamente versatile sia per la ricerca che per le applicazioni industriali.

Link to this sectionCome carico e convalido un modello di segmentazione YOLO pre-addestrato?#

Caricare e convalidare un modello di segmentazione YOLO pre-addestrato è semplice. Ecco come puoi farlo usando sia Python che CLI:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n-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)

Questi passaggi ti forniranno metriche di validazione come la Mean Average Precision (mAP), fondamentale per valutare le prestazioni del modello.

Link to this sectionCome posso esportare un modello di segmentazione YOLO in formato ONNX?#

Esportare un modello di segmentazione YOLO in formato ONNX è semplice e può essere fatto usando Python o i comandi CLI:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n-seg.pt")

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

Per maggiori dettagli sull'esportazione verso vari formati, consulta la pagina Export.