Ultralytics YOLOによる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、物体検出をさらに発展させたもので、画像内の個々の物体を識別し、画像の他の部分から分離します。

インスタンスセグメンテーションモデルの出力は、画像内の各物体の輪郭を示すマスクまたは輪郭のセットと、各物体のクラスラベルおよび信頼度スコアです。インスタンスセグメンテーションは、画像内の物体の位置だけでなく、その正確な形状も把握する必要がある場合に役立ちます。

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、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データセットに対する単一モデル・単一スケールの結果です。
  yolo val segment data=coco.yaml device=0 nms=Falseで再現できます。
• 速度は、Amazon EC2 P4dインスタンスを使用し、COCO valの画像全体で平均した値です。
  yolo val segment data=coco.yaml batch=1 device=0|cpu nms=Falseで再現できます。
• Params および FLOPs の値は、Conv/BatchNorm の畳み込みとバッチ正規化の統合（折りたたみ）および未使用の検出ブランチの削除を行った後の、融合済みモデルの値です。事前学習済みチェックポイントは完全な学習アーキテクチャを維持しているため、より高い数値を示す場合があります。

これらのチェックポイントは、COCOの80クラスをセグメント化します。再学習せずにこのリスト外のカテゴリをセグメント化するには、クラスをテキストプロンプト、視覚的な例、または組み込み語彙として受け取るYOLOEを参照してください。

COCOのバスクおよびマスクの予備的な結果については、未公開のYOLO27プレビューをご覧ください。

トレーニング#

COCO8-segデータセットでYOLO26n-segを、画像サイズ640、100エポックで学習します。使用可能な引数の一覧については、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ページでtrainモードの詳細をすべて確認できます。セグメンテーションモデルは、Ultralytics Platformのクラウドトレーニングでも学習できます。

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については、Dataset Guideをご覧ください。既存のCOCO JSONデータセットをYOLO形式に変換するには、COCO to YOLO guideで説明されているように、convert_cocoとuse_segments=Trueを指定して組み込み関数を使用します。また、ポリゴンツールとSAMを活用したスマートアノテーションを使用して、Ultralytics Platform annotationでセグメンテーションマスクを作成することもできます。

検証#

COCO8-segデータセットで、学習済みYOLO26n-segモデルの精度を検証します。modelには学習時のdataと引数がモデル属性として保持されるため、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

推論#

学習済みの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ページで、predict モードの詳細をすべて確認できます。

結果の出力#

YOLOの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、 検出された各インスタンスには独自のバイナリマスク、クラス、信頼度、ボックスがあります。

すべてのタスクにおけるタスク固有の Results フィールドについては、タスク別の予測結果セクションを参照してください。

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台の車からは、2つのマスク、2つのボックス、2つの信頼度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。同じ車は、1つの画像サイズのクラスマップ内で同じクラスIDを持つピクセルになり、物体ごとのボックス、信頼度、デフォルトのポリゴンリストはありません。

エクスポート#

YOLO26n-segモデルをONNX、CoreMLなどの別の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")

使用可能なYOLO26-segのエクスポート形式を以下の表に示します。format引数を使用して、任意の形式にエクスポートできます。つまり、format='onnx'またはformat='engine'を指定します。エクスポートしたモデルで直接予測または検証することもできます。つまり、yolo predict model=yolo26n-seg.onnxです。エクスポート完了後に、モデルの使用例が表示されます。

nms=None は、外部 NMS の場合は生出力をデフォルトとします。nms=False を設定して利用可能な NMS なしのヘッドを選択します。サポートされていないフォーマットは、ネイティブ出力パスにフォールバックします。上記の nms エントリは、nms=True を使用して NMS を埋め込むことができるフォーマットを特定します。

Exportページで、export の詳細をすべて確認できます。

FAQ#