Segmentazione dell'istanza

La segmentazione delle istanze va oltre il rilevamento degli oggetti e prevede l'identificazione di singoli oggetti in un'immagine e la loro segmentazione dal resto dell'immagine.

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

Guarda: Esegui la segmentazione con il modello preaddestrato Ultralytics YOLOv8 in Python.

Modelli

YOLOv8 I modelli Segment pre-addestrati sono mostrati qui. I modelli Detect, Segment e Pose sono stati preaddestrati sul dataset COCO, mentre i modelli Classify sono stati preaddestrati sul dataset ImageNet.

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

• ^mAPval I valori si riferiscono a un modello a scala singola su COCO val2017 set di dati.
  Riproduci da yolo val segment data=coco.yaml device=0
• Velocità mediata sulle immagini COCO val utilizzando un Amazon EC2 P4d istanza.
  Riproduci da yolo val segment data=coco8-seg.yaml batch=1 device=0|cpu

Treno

Addestra YOLOv8n-seg sul set di dati COCO128-seg per 100 epoche a dimensione immagine 640. Per un elenco completo degli argomenti disponibili, consulta la pagina di configurazione.

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

Formato del set di dati

YOLO Il formato del set di dati di segmentazione può essere consultato in dettaglio nella Guida ai set di dati. Per convertire il tuo set di dati esistente da altri formati (come COCO ecc.) al formato YOLO , utilizza lo strumento JSON2YOLO di Ultralytics.

Val

Convalida l'accuratezza del modello addestrato YOLOv8n-seg sul set di dati COCO128-seg. Non è necessario passare alcun argomento come l'opzione model mantiene la sua formazione data e gli argomenti come attributi del modello.

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

Prevedere

Utilizza un modello addestrato di YOLOv8n-seg per eseguire previsioni sulle immagini.

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

Vedi tutto predict i dettagli della modalità nella sezione Prevedere pagina.

Esportazione

Esporta un modello YOLOv8n-seg in un formato diverso come ONNX, CoreML, ecc.

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

I formati di esportazione disponibili di YOLOv8-seg sono riportati nella tabella seguente. Puoi esportare in qualsiasi formato utilizzando l'opzione format argomento, vale a dire format='onnx' o format='engine'. Puoi prevedere o convalidare direttamente i modelli esportati, ad es. yolo predict model=yolov8n-seg.onnx. Al termine dell'esportazione vengono mostrati degli esempi di utilizzo per il tuo modello.

Vedi tutto export dettagli nella sezione Esportazione pagina.

DOMANDE FREQUENTI

Come si addestra un modello di segmentazione YOLOv8 su un set di dati personalizzato?

Per addestrare un modello di segmentazione YOLOv8 su un set di dati personalizzato, devi innanzitutto preparare il tuo set di dati nel formato di segmentazione YOLO . Puoi utilizzare strumenti come JSON2YOLO per convertire i dataset da altri formati. Una volta che il set di dati è pronto, puoi addestrare il modello usando i comandi Python o CLI :

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

Controlla la pagina di configurazione per conoscere gli argomenti disponibili.

Qual è la differenza tra il rilevamento degli oggetti e la segmentazione delle istanze in YOLOv8?

Il rilevamento degli oggetti identifica e localizza gli oggetti all'interno di un'immagine disegnando dei riquadri di delimitazione intorno ad essi, mentre la segmentazione delle istanze non solo identifica i riquadri di delimitazione ma delinea anche la forma esatta di ogni oggetto. YOLOv8 modelli di segmentazione delle istanze forniscono maschere o contorni che delineano ogni oggetto rilevato, il che è particolarmente utile per le attività in cui è importante conoscere la forma precisa degli oggetti, come ad esempio l'imaging medico o la guida autonoma.

Perché utilizzare YOLOv8 per la segmentazione delle istanze?

Ultralytics YOLOv8 è un modello all'avanguardia riconosciuto per l'elevata precisione e le prestazioni in tempo reale, che lo rendono ideale per le attività di segmentazione. YOLOv8 I modelli di segmentazione vengono pre-addestrati sul set di dati COCO, garantendo prestazioni solide su una varietà di oggetti. Inoltre, YOLOv8 supporta le funzionalità di formazione, convalida, previsione ed esportazione con una perfetta integrazione, rendendolo estremamente versatile sia per la ricerca che per le applicazioni industriali.

Come faccio a caricare e convalidare un modello di segmentazione preaddestrato di YOLOv8 ?

Caricare e convalidare un modello di segmentazione preaddestrato di YOLOv8 è semplice. Ecco come puoi farlo utilizzando sia Python che 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

Questi passaggi ti forniranno metriche di convalida come la precisione media (mAP), fondamentale per valutare le prestazioni del modello.

Come posso esportare un modello di segmentazione YOLOv8 in formato ONNX ?

L'esportazione di un modello di segmentazione YOLOv8 in formato ONNX è semplice e può essere effettuata con i comandi Python o CLI :

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

Per maggiori dettagli sull'esportazione in vari formati, consulta la pagina Esportazione.

Commenti