Link to this sectionインスタンスセグメンテーション#

インスタンスセグメンテーションは、物体検出からさらに一歩進んだ手法であり、画像内の個々の物体を識別し、残りの背景からそれらを切り出す（セグメント化する）プロセスです。

インスタンスセグメンテーションモデルの出力は、画像内の各物体を囲むマスクや輪郭のセットであり、それに加えて各物体のクラスラベルと信頼度スコアが含まれます。インスタンスセグメンテーションは、画像内のどこに物体があるかだけでなく、その正確な形状を知る必要がある場合に役立ちます。

Link to this sectionモデル#

YOLO26の事前学習済みSegmentモデルを以下に示します。Detect、Segment、PoseモデルはCOCOデータセットで事前学習されており、SemanticモデルはCityscapesで、ClassifyモデルはImageNetデータセットで事前学習されています。

モデル は、初回使用時に最新の Ultralytics リリース から自動的にダウンロードされます。

• **mAP^val**の値は、COCO val2017データセットにおけるシングルモデル・シングルスケールの数値です。
  再現するには yolo val segment data=coco.yaml device=0 を実行してください。
• **速度（Speed）**は、Amazon EC2 P4dインスタンスを使用してCOCO val画像の平均を算出したものです。
  再現するには yolo val segment data=coco.yaml batch=1 device=0|cpu を実行してください。
• Params および FLOPs の値は、model.fuse() 後の融合済みモデルに対するものです。これは Conv 層と BatchNorm 層を統合し、エンドツーエンドモデルの場合は補助的な one-to-many 検出ヘッドを削除します。事前学習済みのチェックポイントは、完全なトレーニングアーキテクチャを保持しているため、数値が大きく表示される場合があります。

Link to this sectionトレーニング#

COCO8-segデータセットを使用して、YOLO26n-segを画像サイズ640で100エポック学習させます。利用可能な引数の完全なリストについては、Configurationページを参照してください。

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)

trainモードの詳細については、Trainページを参照してください。セグメンテーションモデルは、Ultralytics Platformを通じてクラウドGPU上で学習させることも可能です。

Link to this sectionデータセット形式#

YOLOセグメンテーションデータセットのフォーマットに関する詳細は、Dataset Guideで確認できます。既存のデータセット（COCOなど）をYOLOフォーマットに変換するには、Ultralyticsが提供するJSON2YOLOツールを使用してください。また、Ultralytics Platformでは、ポリゴンツールやSAMベースのスマートアノテーションを使用してセグメンテーションマスクを作成することも可能です。

Link to this section検証#

トレーニング済みのYOLO26n-segモデルの精度をCOCO8-segデータセットで検証します。modelはトレーニング時のdataと引数をモデル属性として保持しているため、引数は必要ありません。

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 section予測#

学習済みYOLO26n-segモデルを使用して、画像に対する推論（予測）を実行します。

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

predictモードの詳細については、予測（Predict）ページを参照してください。

Link to this section結果の出力#

YOLOインスタンスセグメンテーションは、画像1枚につき1つのResultsオブジェクトを返します。各結果には物体レベルの予測が格納されており、検出された各インスタンスにはそれぞれ個別のバイナリマスク、クラス、信頼度、バウンディングボックスが付与されます。

すべてのタスクにわたるタスク固有のResultsフィールドについては、タスク別予測結果（Predict Results by Task）セクションを参照してください。

Link to this sectionセマンティックセグメンテーションとの違い#

インスタンスセグメンテーションは物体レベルのセグメンテーションです。例えば車が2台あれば、2つのマスク、2つのボックス、2つの信頼度スコアが出力されます。セマンティックセグメンテーションは画素レベルの分類です。同じ車であっても、物体ごとのボックスや信頼度、ポリゴンリストは存在せず、画像サイズのクラスマップ内で同じクラスIDを持つ画素として扱われます。

Link to this sectionエクスポート#

YOLO26n-segモデルをONNXやCoreMLなどの異なるフォーマットにエクスポートします。

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")

利用可能なYOLO26-segのエクスポートフォーマットは以下の表の通りです。format引数を使用して任意のフォーマットにエクスポート可能です（例: format='onnx' や format='engine'）。エクスポートされたモデルを使用して直接予測や検証を行うこともできます（例: yolo predict model=yolo26n-seg.onnx）。エクスポート完了後、モデルの使用例が表示されます。

exportの詳細については、Exportページを参照してください。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionYOLO26セグメンテーションモデルをカスタムデータセットで学習させるにはどうすればよいですか？#

YOLO26セグメンテーションモデルをカスタムデータセットで学習させるには、まずYOLOセグメンテーションフォーマットでデータセットを用意する必要があります。JSON2YOLOなどのツールを使用して、他のフォーマットからデータセットを変換できます。データセットの準備ができたら、PythonまたはCLIコマンドを使用してモデルを学習させます：

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)

利用可能なその他の引数については、Configurationページを確認してください。

Link to this sectionYOLO26における物体検出とインスタンスセグメンテーションの違いは何ですか？#

物体検出は画像内の物体を識別し、バウンディングボックスを描画して位置を特定しますが、インスタンスセグメンテーションはバウンディングボックスを特定するだけでなく、各物体の正確な形状を切り出します。YOLO26のインスタンスセグメンテーションモデルは、検出された各物体を囲むマスクや輪郭を提供するため、医療用画像診断や自動運転など、物体の正確な形状を知ることが重要なタスクにおいて特に有用です。

Link to this sectionなぜインスタンスセグメンテーションにYOLO26を使用するのですか？#

Ultralytics YOLO26は、その高い精度とリアルタイム性能で知られる最先端のモデルであり、インスタンスセグメンテーションタスクに最適です。YOLO26 SegmentモデルはCOCOデータセットで事前学習されており、多様な物体に対して堅牢なパフォーマンスを発揮します。さらに、YOLOは学習、検証、推論、エクスポートの各機能をシームレスに統合してサポートしているため、研究から産業用途まで幅広く活用できます。

Link to this section事前学習済みのYOLOセグメンテーションモデルをロードして検証するにはどうすればよいですか？#

事前学習済みのYOLOセグメンテーションモデルのロードと検証は簡単です。PythonとCLIの両方で以下のように実行できます：

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)

これらのステップを実行することで、モデルの性能評価に不可欠な平均適合率（mAP）などの検証メトリクスが得られます。

Link to this sectionYOLOセグメンテーションモデルをONNXフォーマットにエクスポートするにはどうすればよいですか？#

YOLOセグメンテーションモデルをONNXフォーマットにエクスポートするのは簡単で、PythonやCLIコマンドで実行できます：

from ultralytics import YOLO

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

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

さまざまなフォーマットへのエクスポートに関する詳細については、Exportページを参照してください。