인스턴스 세분화

Q: How do I load and validate a pretrained YOLO segmentation model?

사전 학습된 YOLO 세분화 모델을 로드하고 검증하는 것은 간단합니다. 다음은 Python 및 CLI 을 사용하여 수행하는 방법입니다. 이 단계를 통해 모델 성능을 평가하는 데 중요한 평균 정밀도(mAP)와 같은 유효성 검사 메트릭을 얻을 수 있습니다.

인스턴스 세분화 예시

인스턴스 분할은 객체 감지보다 한 단계 더 나아가 이미지에서 개별 객체를 식별하고 나머지 이미지에서 객체를 분할하는 작업을 포함합니다.

인스턴스 분할 모델의 출력은 이미지의 각 개체에 대한 클래스 레이블 및 신뢰 점수와 함께 각 개체의 윤곽을 나타내는 마스크 또는 윤곽선 집합입니다. 인스턴스 세분화는 이미지에서 객체의 위치뿐만 아니라 정확한 모양을 알아야 할 때 유용합니다.

Watch: Python 에서 사전 학습된 Ultralytics YOLO 모델을 사용하여 세분화를 실행합니다.

팁

YOLO11 세그먼트 모델은 -seg 접미사, 즉 yolo11n-seg.pt 에 대해 사전 교육을 받았으며 COCO.

모델

YOLO11 사전 학습된 세그먼트 모델이 여기에 나와 있습니다. 감지, 세그먼트 및 포즈 모델은 COCO 데이터 세트에서 사전 학습된 모델이며, 분류 모델은 ImageNet 데이터 세트에서 사전 학습된 모델입니다.

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

모델	크기 ^(픽셀)	mAPbox^50-95	mAPmask^50-95	속도 ^{CPU ONNX (ms)}	속도 T4^{TensorRT10 (ms)}	매개변수 ^(M)	FLOPs ^(B)
YOLO11n-seg	640	38.9	32.0	65.9 ± 1.1	1.8 ± 0.0	2.9	10.4
YOLO11s-seg	640	46.6	37.8	117.6 ± 4.9	2.9 ± 0.0	10.1	35.5
YOLO11m-seg	640	51.5	41.5	281.6 ± 1.2	6.3 ± 0.1	22.4	123.3
YOLO11l-seg	640	53.4	42.9	344.2 ± 3.2	7.8 ± 0.2	27.6	142.2
YOLO11x-seg	640	54.7	43.8	664.5 ± 3.2	15.8 ± 0.7	62.1	319.0

^mAPval 값은 단일 모델 단일 스케일에 대한 것입니다. COCO val2017 데이터 세트.
복제 대상 yolo val segment data=coco-seg.yaml device=0
속도 를 사용하여 COCO 값 이미지에 대한 평균을 구합니다. Amazon EC2 P4d 인스턴스입니다.
복제 대상 yolo val segment data=coco-seg.yaml batch=1 device=0|cpu

기차

이미지 크기 640에서 100개의 에포크에 대해 COCO8-seg 데이터 세트에서 YOLO11n-seg를 훈련합니다. 사용 가능한 인수의 전체 목록은 구성 페이지를 참조하세요.

예

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.yaml")  # build a new model from YAML
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n-seg.yaml").load("yolo11n.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=yolo11n-seg.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-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=yolo11n-seg.yaml pretrained=yolo11n-seg.pt epochs=100 imgsz=640

데이터 집합 형식

YOLO 세분화 데이터 세트 형식은 데이터 세트 가이드에서 자세히 확인할 수 있습니다. 기존 데이터셋을 다른 형식(예: COCO 등)에서 YOLO 형식으로 변환하려면 JSON2YOLO 도구( Ultralytics)를 사용하세요.

Val

학습된 YOLO11n-seg 모델 검증하기 정확성 를 입력합니다. 인수가 필요하지 않으므로 model 교육 유지 data 및 인수를 모델 속성으로 사용합니다.

예

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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

yolo segment val model=yolo11n-seg.pt  # val official model
yolo segment val model=path/to/best.pt  # val custom model

예측

학습된 YOLO11n-seg 모델을 사용하여 이미지에 대한 예측을 실행합니다.

예

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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

yolo segment predict model=yolo11n-seg.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo segment predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

전체 보기 predict 모드 세부 정보에서 예측 페이지로 이동합니다.

내보내기

ONNX, CoreML 등과 같은 다른 형식으로 YOLO11n-seg 모델을 내보냅니다.

예

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

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

yolo export model=yolo11n-seg.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

사용 가능한 YOLO11-seg 내보내기 형식은 아래 표에 나와 있습니다. 내보내기 형식은 format 인수, 즉 format='onnx' 또는 format='engine'. 내보낸 모델에서 직접 예측하거나 검증할 수 있습니다. yolo predict model=yolo11n-seg.onnx. 내보내기가 완료된 후 모델에 대한 사용 예가 표시됩니다.

형식	`format` 인수	모델	메타데이터	인수
PyTorch	-	`yolo11n-seg.pt`	✅	-
TorchScript	`torchscript`	`yolo11n-seg.torchscript`	✅	`imgsz`, `optimize`, `batch`
ONNX	`onnx`	`yolo11n-seg.onnx`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `opset`, `batch`
OpenVINO	`openvino`	`yolo11n-seg_openvino_model/`	✅	`imgsz`, `half`, `int8`, `batch`
TensorRT	`engine`	`yolo11n-seg.engine`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `workspace`, `int8`, `batch`
CoreML	`coreml`	`yolo11n-seg.mlpackage`	✅	`imgsz`, `half`, `int8`, `nms`, `batch`
TF SavedModel	`saved_model`	`yolo11n-seg_saved_model/`	✅	`imgsz`, `keras`, `int8`, `batch`
TF GraphDef	`pb`	`yolo11n-seg.pb`	❌	`imgsz`, `batch`
TF Lite	`tflite`	`yolo11n-seg.tflite`	✅	`imgsz`, `half`, `int8`, `batch`
TF Edge TPU	`edgetpu`	`yolo11n-seg_edgetpu.tflite`	✅	`imgsz`
TF.js	`tfjs`	`yolo11n-seg_web_model/`	✅	`imgsz`, `half`, `int8`, `batch`
PaddlePaddle	`paddle`	`yolo11n-seg_paddle_model/`	✅	`imgsz`, `batch`
MNN	`mnn`	`yolo11n-seg.mnn`	✅	`imgsz`, `batch`, `int8`, `half`
NCNN	`ncnn`	`yolo11n-seg_ncnn_model/`	✅	`imgsz`, `half`, `batch`
IMX500	`imx`	`yolo11n-seg_imx_model/`	✅	`imgsz`, `int8`

전체 보기 export 세부 정보에서 내보내기 페이지로 이동합니다.

자주 묻는 질문

사용자 지정 데이터 집합에서 YOLO11 세분화 모델을 훈련하려면 어떻게 하나요?

사용자 지정 데이터 세트에서 YOLO11 세분화 모델을 훈련하려면 먼저 데이터 세트를 YOLO 세분화 형식으로 준비해야 합니다. JSON2YOLO와 같은 도구를 사용하여 다른 형식의 데이터 세트를 변환할 수 있습니다. 데이터 세트가 준비되면 Python 또는 CLI 명령을 사용하여 모델을 학습시킬 수 있습니다:

예

PythonCLI

from ultralytics import YOLO

# Load a pretrained YOLO11 segment model
model = YOLO("yolo11n-seg.pt")

# Train the model
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)

yolo segment train data=path/to/your_dataset.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

사용 가능한 인수는 구성 페이지에서 확인하세요.

YOLO11 에서 객체 감지와 인스턴스 세분화의 차이점은 무엇인가요?

객체 감지는 객체 주변에 경계 상자를 그려 이미지 내에서 객체를 식별하고 위치를 파악하는 반면, 인스턴스 분할은 경계 상자를 식별할 뿐만 아니라 각 객체의 정확한 모양을 묘사합니다. YOLO11 인스턴스 분할 모델은 감지된 각 객체의 윤곽을 나타내는 마스크 또는 윤곽을 제공하므로 의료 영상이나 자율 주행처럼 정확한 모양 파악이 중요한 작업에서 특히 유용합니다.