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、物体検出を一歩進めた技術であり、画像内の個々の物体を識別し、その物体の領域を背景から切り分けるものです。

インスタンスセグメンテーションモデルの出力は、画像内の各物体のアウトラインを示すマスクまたは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、画像内の物体がどこにあるかだけでなく、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モデルをここに示します。Detect、Segment、PoseモデルはCOCOデータセットで事前学習され、SemanticモデルはCityscapesで事前学習され、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、初めて使用する際に最新の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かつシングルスケールのものです。
  再現するには、yolo val segment data=coco.yaml device=0を実行してください。
• 速度は、Amazon EC2 P4dインスタンスを使用してCOCO val画像で平均化されたものです。
  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。
• パラメータおよびFLOPsの値は、Conv層とBatchNorm層を結合し、end2endモデルの場合は1対多の補助検出ヘッドを削除した、model.fuse()後のフュージョンモデルのものです。事前学習済みチェックポイントは、学習時の完全なアーキテクチャを保持しており、より高い数値を示す場合があります。

Link to this section学習#

COCO8-segデータセットでYOLO26n-segを画像サイズ640にて100エポック分学習させます。利用可能な引数の全リストについては、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形式の詳細は、Dataset Guideで確認できます。既存のデータセットを他の形式（COCOなど）からYOLO形式に変換するには、UltralyticsのJSON2YOLOツールを使用してください。また、Ultralytics PlatformでポリゴンツールやSAMによる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できます。

Link to this section検証#

学習済みYOLO26n-segモデルのCOCO8-segデータセットに対する精度を検証します。modelは学習時のdataや引数を属性として保持しているため、引数は不要です。

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

# 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、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、画像ごとに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は独自のバイナリマスク、クラス、信頼度、およびバウンディングボックスを持っています。

タスクごとのResultsフィールドの詳細については、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。2台の車があれば、2つのマスク、2つのボックス、および2つの信頼スコアが生成されます。セマンティックセグメンテーションはピクセルレベルの分類です。同じ車であっても、物体ごとのボックスや信頼度、ポリゴンリストはなく、画像サイズのクラスマップ内で同じクラスIDを持つピクセルとして処理されます。

Link to this sectionエクスポート#

YOLO26n-segモデルをONNXやCoreMLなどの異なる形式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のエクスポート形式を下表に示します。format引数（例: format='onnx'やformat='engine'）を使用して任意の形式にエクスポートできます。エクスポートされたモデルに対して直接予測や検証を行うことも可能です（例: yolo predict model=yolo26n-seg.onnx）。エクスポート完了後、使用例が表示されます。

exportの詳細はExportページを参照してください。

Link to this sectionFAQ#

Link to this sectionカスタムデータセットでYOLO26セグメンテーションモデルを学習するにはどうすればよいですか？#

カスタムデータセットでYOLO26セグメンテーションモデルを学習するには、まずデータセットをYOLOセグメンテーション形式で準備する必要があります。他の形式からデータセットを変換するには、JSON2YOLOなどのツールを使用できます。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できます。

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)

使用可能な引数の詳細については、Configurationページを確認してください。

Link to this sectionYOLO26におけるobject detection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、画像内の物体をバウンディングボックスで囲むことで特定および局在化しますが、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も描写します。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縁取るマスクや輪郭を提供します。これは、医療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で特に役立ちます。

Link to this sectionインスタンスセグメンテーションにYOLO26を使用する理由は何ですか？#

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のタスクに最適です。YOLO26 SegmentモデルはCOCO datasetで事前学習済みであり、さまざま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、予測、エクスポート機能をシームレスに統合しており、研究と産業用途の両方で非常に汎用性が高いです。

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の両方で実行する方法は以下の通りです。

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)

これらの手順を実行することで、モデルの性能評価に不可欠なMean Average Precision（mAP）などの検証指標が得られます。

Link to this sectionYOLOセグメンテーションモデルをONNX形式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形式にエクスポートするのは簡単で、PythonまたはCLIコマンドを使用して実行できます。

from ultralytics import YOLO

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

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

さまざまな形式へのエクスポートの詳細については、Exportページを参照してください。