Ultralytics YOLO를 사용한 인스턴스 세그멘테이션#

인스턴스 세그멘테이션은 객체 감지보다 한 단계 더 나아가 이미지 내 개별 객체를 식별하고 이미지의 나머지 부분과 분리합니다.

인스턴스 세그멘테이션 모델의 출력은 이미지 내 각 객체의 윤곽을 나타내는 마스크 또는 컨투어 집합과 각 객체의 클래스 레이블 및 confidence score입니다. 인스턴스 세그멘테이션은 이미지에서 객체가 어디에 있는지뿐만 아니라 정확한 형태까지 알아야 할 때 유용합니다.

모델#

여기에는 YOLO26 사전 학습 세그먼트 모델이 나와 있습니다. Detect, Segment 및 Pose 모델은 COCO 데이터셋으로 사전 학습되고, Semantic 모델은 Cityscapes로 사전 학습되며, Classify 모델은 ImageNet 데이터셋으로 사전 학습됩니다.

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

• mAP^val 값은 COCO val2017 데이터셋에서 단일 모델 및 단일 스케일로 측정한 값입니다.
  yolo val segment data=coco.yaml device=0 nms=False로 재현할 수 있습니다.
• Speed는 Amazon EC2 P4d 인스턴스를 사용하여 COCO val 이미지에 대해 평균을 낸 값입니다.
  yolo val segment data=coco.yaml batch=1 device=0|cpu nms=False로 재현할 수 있습니다.
• Params 및 FLOPs 값은 Conv/BatchNorm 융합 및 사용되지 않는 탐지 브랜치 제거 이후의 융합된 모델 기준입니다. 사전 학습된 체크포인트는 전체 학습 아키텍처를 유지하므로 더 높은 수치를 나타낼 수 있습니다.

이 checkpoint는 COCO의 80개 클래스를 세그먼트합니다. 재학습 없이 해당 목록에 없는 카테고리를 세그먼트하려면, 클래스를 텍스트 프롬프트, 시각적 예시 또는 기본 제공 vocabulary로 입력받는 YOLOE를 참조하십시오.

COCO 바 및 마스크 예비 결과는 출시되지 않은 YOLO27 미리보기를 참조하십시오.

학습#

COCO8-seg 데이터셋에서 이미지 크기 640으로 100 epochs 동안 YOLO26n-seg를 학습합니다. 사용 가능한 전체 인수 목록은 Configuration 페이지를 참조하십시오.

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 페이지에서 전체 train 모드 세부 정보를 확인하십시오. 세그멘테이션 모델은 Ultralytics Platform 클라우드 학습을 사용하여 학습할 수도 있습니다.

데이터셋 형식#

YOLO 세그멘테이션 데이터셋 포맷에 대한 자세한 내용은 Dataset Guide에서 확인할 수 있습니다. 기존 COCO JSON 데이터셋을 YOLO 포맷으로 변환하려면 COCO to YOLO guide에 설명된 대로 내장된 convert_coco 함수를 use_segments=True와 함께 사용하십시오. 또한 다각형 도구와 SAM 기반 스마트 어노테이션을 사용하여 Ultralytics Platform annotation으로 세그멘테이션 마스크를 생성할 수 있습니다.

검증#

COCO8-seg 데이터셋에서 학습된 YOLO26n-seg 모델의 accuracy를 검증합니다. model이 학습 시 사용한 data와 인수를 모델 속성으로 유지하므로 인수가 필요하지 않습니다.

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

Prediction#

학습된 YOLO26n-seg 모델을 사용하여 이미지에 대한 prediction을 실행합니다.

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

전체 predict mode 세부 정보는 Predict 페이지를 참조하십시오.

결과 출력#

YOLO 인스턴스 세그멘테이션은 이미지마다 하나의 Results 객체를 반환합니다. 각 결과에는 객체 수준 prediction이 저장되며, 각 감지된 인스턴스에는 고유한 binary mask, 클래스, confidence 및 box가 있습니다.

모든 task에서 task-specific Results field를 확인하려면 Predict Results by Task 섹션을 참조하십시오.

Semantic 세그멘테이션과의 차이점#

인스턴스 세그멘테이션은 객체 수준 세그멘테이션입니다. 자동차 두 대는 두 개의 마스크, 두 개의 box 및 두 개의 confidence score를 생성합니다. Semantic 세그멘테이션은 픽셀 수준 분류입니다. 동일한 자동차 두 대는 하나의 이미지 크기 class map에서 동일한 클래스 ID를 가진 픽셀이 되며, 객체별 box, confidence 또는 기본 polygon 목록은 없습니다.

내보내기#

YOLO26n-seg 모델을 ONNX, CoreML 등의 다른 형식으로 export합니다.

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")

사용 가능한 YOLO26-seg export 형식은 아래 표에 나와 있습니다. format 인수를 사용하여 모든 형식으로 export할 수 있으며, 예를 들면 format='onnx' 또는 format='engine'입니다. export된 모델에서 직접 prediction 또는 validation을 실행할 수도 있으며, 예를 들면 yolo predict model=yolo26n-seg.onnx입니다. export가 완료되면 해당 모델의 사용 예제가 표시됩니다.

nms=None은(는) 외부 NMS에 대해 기본적으로 원시 출력을 사용합니다. 사용 가능한 NMS 프리 헤드를 선택하려면 nms=False을(를) 설정하세요. 지원되지 않는 형식은 기본 출력 경로로 대체됩니다. 위의 nms 항목은 nms=True(으)로 NMS를 임베드할 수 있는 형식을 식별합니다.

전체 export 세부 정보는 Export 페이지를 참조하십시오.

FAQ#