インスタンスの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、オブジェクト検出よりもさらに一歩進んで、画像内の個々のオブジェクトを識別し、画像の残りの部分からセグメンテーションする。
インスタンスセグメンテーションモデルの出力は、画像内の各オブジェクトの輪郭を示すマスクまたは輪郭のセットと、各オブジェクト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、画像内のオブジェクトの位置だけでなく、その正確な形状も知る必要がある場合に便利です。
見るんだ： Python で事前に訓練されたUltralytics YOLOv8 モデルでセグメンテーションを実行する。
チップ
YOLOv8 セグメントモデルは -seg サフィックス、すなわち yolov8n-seg.pt で事前に訓練されている。 COCO.
モデル
YOLOv8 ここでは、事前学習されたSegmentモデルを示す。Detect、Segment、PoseモデルはCOCOデータセットで事前学習され、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。
| モデル | サイズ (ピクセル) |
mAPbox 50-95 |
mAPmask 50-95 |
速度 CPU ONNX (ms) |
速度 A100 TensorRT (ms) |
params (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|---|
| YOLOv8n-セグ | 640 | 36.7 | 30.5 | 96.1 | 1.21 | 3.4 | 12.6 |
| YOLOv8s-セグ | 640 | 44.6 | 36.8 | 155.7 | 1.47 | 11.8 | 42.6 |
| YOLOv8m-セグ | 640 | 49.9 | 40.8 | 317.0 | 2.18 | 27.3 | 110.2 |
| YOLOv8l-セグ | 640 | 52.3 | 42.6 | 572.4 | 2.79 | 46.0 | 220.5 |
| YOLOv8x-セグ | 640 | 53.4 | 43.4 | 712.1 | 4.02 | 71.8 | 344.1 |
- マップバル 数値はシングル・モデル、シングル・スケールのものである。 COCO val2017 データセット。
複製するyolo val segment data=coco.yaml device=0 - スピード を使用してCOCOバル画像を平均化した。 アマゾンEC2 P4d インスタンスだ。
複製するyolo val segment data=coco8-seg.yaml batch=1 device=0|cpu
電車
YOLOv8n-segをCOCO128-segデータセットに画像サイズ640で100エポック学習させる。利用可能な引数の全リストは設定ページを参照。
例
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
データセット形式
YOLO セグメンテーション・データセットの形式は、データセット・ガイドに詳しく書かれている。既存のデータセットを他のフォーマット（COCOなど）からYOLO フォーマットに変換するには、Ultralytics のJSON2YOLOツールをご利用ください。
バル
COCO128-seg データセットで学習済みYOLOv8n-seg モデルの精度を検証する。として引数を渡す必要はない。 model
トレーニング data と引数をモデル属性として使用する。
例
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
予測する
学習済みのYOLOv8n-segモデルを使って、画像の予測を実行する。
例
詳細を見る predict モードの詳細は 予測する ページを参照されたい。
輸出
YOLOv8n-segモデルを、ONNX 、CoreML などの異なるフォーマットにエクスポートします。
例
利用可能なYOLOv8-seg エクスポートフォーマットは以下の表の通りです。どのフォーマットにも format 引数、すなわち format='onnx' または format='engine'.エクスポートされたモデルを直接予測または検証することができます。 yolo predict model=yolov8n-seg.onnx.使用例は、エクスポート完了後に表示されます。
| フォーマット | format 議論 |
モデル | メタデータ | 論争 |
|---|---|---|---|---|
| PyTorch | - | yolov8n-seg.pt |
✅ | - |
| TorchScript | torchscript |
yolov8n-seg.torchscript |
✅ | imgsz, optimize, batch |
| ONNX | onnx |
yolov8n-seg.onnx |
✅ | imgsz, half, dynamic, simplify, opset, batch |
| OpenVINO | openvino |
yolov8n-seg_openvino_model/ |
✅ | imgsz, half, int8, batch |
| TensorRT | engine |
yolov8n-seg.engine |
✅ | imgsz, half, dynamic, simplify, workspace, int8, batch |
| CoreML | coreml |
yolov8n-seg.mlpackage |
✅ | imgsz, half, int8, nms, batch |
| TF SavedModel | saved_model |
yolov8n-seg_saved_model/ |
✅ | imgsz, keras, int8, batch |
| TF GraphDef | pb |
yolov8n-seg.pb |
❌ | imgsz, batch |
| TF ライト | tflite |
yolov8n-seg.tflite |
✅ | imgsz, half, int8, batch |
| TF エッジTPU | edgetpu |
yolov8n-seg_edgetpu.tflite |
✅ | imgsz |
| TF.js | tfjs |
yolov8n-seg_web_model/ |
✅ | imgsz, half, int8, batch |
| PaddlePaddle | paddle |
yolov8n-seg_paddle_model/ |
✅ | imgsz, batch |
| NCNN | ncnn |
yolov8n-seg_ncnn_model/ |
✅ | imgsz, half, batch |
詳細を見る export 詳細は 輸出 ページを参照されたい。
よくあるご質問
カスタムデータセットでYOLOv8 セグメンテーションモデルをトレーニングするには？
カスタム・データセットでYOLOv8 セグメンテーション・モデルをトレーニングするには、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準備する必要がある。他の形式の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トレーニングできます：
例
利用可能な引数については、コンフィギュレーション・ページを確認してください。
YOLOv8 、オブジェクト検出とインスタンス分割の違いは何ですか？
一方、インスタンス・セグメンテーションは、バウンディング・ボックスを識別するだけでなく、各オブジェクトの正確な形状も定義する。YOLOv8 インスタンス・セグメンテーション・モデルは、検出された各オブジェクトの輪郭を示すマスクまたは輪郭を提供する。これは、医療画像や自律走行など、オブジェクトの正確な形状を知ることが重要なタスクで特に役立つ。
インスタンスのセグメンテーションにYOLOv8 。
Ultralytics YOLOv8 は、高い精度とリアルタイムの性能で定評のある最先端のモデルで、インスタンスのセグメンテーションタスクに最適です。YOLOv8 セグメンテーションモデルは、COCOデータセットで事前学習されているため、さまざまなオブジェクトに対してロバストなパフォーマンスを保証します。さらに、YOLOv8 は、シームレスな統合により、トレーニング、検証、予測、およびエクスポート機能をサポートしており、研究および産業アプリケーションの両方において高い汎用性を発揮します。
事前に学習されたYOLOv8 セグメンテーションモデルをロードし、検証するには？
事前に訓練されたYOLOv8 セグメンテーションモデルのロードと検証は簡単です。ここでは、Python とCLI の両方を使用する方法を示します：
例
これらのステップにより、平均平均精度（mAP）のような検証メトリクスが得られます。
YOLOv8 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？
YOLOv8 の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 またはCLI コマンドを使用します：
例
様々なフォーマットへのエクスポートの詳細については、エクスポートのページを参照してください。