Overslaan naar inhoud

Instance segmentatie

Instance segmentatie voorbeelden

Objectsegmentatie gaat een stap verder dan objectdetectie en omvat het identificeren van individuele objecten in een afbeelding en deze segmenteren van de rest van de afbeelding.

De output van een segmentatiemodel is een reeks maskers of contouren die elk object in de afbeelding omlijnen, samen met klasse labels en vertrouwensscores voor elk object. Instantiesegmentatie is handig als je niet alleen moet weten waar objecten zich in een afbeelding bevinden, maar ook wat hun exacte vorm is.



Kijken: Segmentatie uitvoeren met voorgetraind Ultralytics YOLOv8 model in Python.

Tip

YOLOv8 Segmentmodellen gebruiken de -seg achtervoegsel, dus yolov8n-seg.pt en zijn voorgetraind op COCO.

Modellen

YOLOv8 voorgetrainde Segment-modellen worden hier getoond. Detect, Segment en Pose modellen zijn voorgetraind op de COCO dataset, terwijl Classify modellen zijn voorgetraind op de ImageNet dataset.

Modellen worden bij het eerste gebruik automatisch gedownload van de nieuwste Ultralytics release.

Model grootte
(pixels)		 mAPbox
50-95		 mAPmask
50-95		 Snelheid
CPU ONNX
(ms)		 Snelheid
A100 TensorRT
(ms)		 params
(M)		 FLOP's
(B)
YOLOv8n-seg 640 36.7 30.5 96.1 1.21 3.4 12.6
YOLOv8s-seg 640 44.6 36.8 155.7 1.47 11.8 42.6
YOLOv8m-seg 640 49.9 40.8 317.0 2.18 27.3 110.2
YOLOv8l-seg 640 52.3 42.6 572.4 2.79 46.0 220.5
YOLOv8x-seg 640 53.4 43.4 712.1 4.02 71.8 344.1
  • mAPval waarden zijn voor één model met één schaal op COCO val2017 dataset.
    Reproduceren door yolo val segment data=coco.yaml device=0
  • Snelheid gemiddeld over COCO-valbeelden met behulp van een Amazon EC2 P4d voorbeeld.
    Reproduceren door yolo val segment data=coco8-seg.yaml batch=1 device=0|cpu

Trein

Train YOLOv8n-seg op de COCO128-seg dataset voor 100 epochs bij afbeeldingsgrootte 640. Zie de configuratiepagina voor een volledige lijst met beschikbare argumenten.

Voorbeeld

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

Formaat dataset

YOLO Het formaat van de segmentatiedataset is in detail te vinden in de Datasetgids. Om je bestaande dataset van andere formaten (zoals COCO etc.) te converteren naar het YOLO formaat, kun je de JSON2YOLO tool van Ultralytics gebruiken.

Val

Valideer de nauwkeurigheid van het getrainde YOLOv8n-seg model op de COCO128-seg dataset. Er hoeft geen argument te worden doorgegeven als de model behoudt zijn opleiding data en argumenten als modelattributen.

Voorbeeld

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

yolo segment val model=yolov8n-seg.pt  # val official model
yolo segment val model=path/to/best.pt  # val custom model

Voorspel

Gebruik een getraind YOLOv8n-seg model om voorspellingen op afbeeldingen uit te voeren.

Voorbeeld

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

# Predict with the model
results = model('https://ultralytics.com/images/bus.jpg')  # predict on an image

yolo segment predict model=yolov8n-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

Bekijk volledig predict details over de modus in de Voorspel pagina.

Exporteer

Exporteer een YOLOv8n-seg model naar een ander formaat zoals ONNX, CoreML, enz.

Voorbeeld

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 trained model

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

yolo export model=yolov8n-seg.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Beschikbare YOLOv8-seg exportformaten staan in de tabel hieronder. Je kunt naar elk formaat exporteren met de format argument, d.w.z. format='onnx' of format='engine'. Je kunt direct voorspellen of valideren op geëxporteerde modellen, d.w.z. yolo predict model=yolov8n-seg.onnx. Gebruiksvoorbeelden worden getoond voor je model nadat het exporteren is voltooid.

Formaat format Argument Model Metagegevens Argumenten
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, 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 Lite tflite yolov8n-seg.tflite ✅ imgsz, half, int8, batch
TF Rand TPU edgetpu yolov8n-seg_edgetpu.tflite ✅ imgsz, batch
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

Bekijk volledig export details in de Exporteer pagina.



Aangemaakt 2023-11-12, Bijgewerkt 2024-04-27
Auteurs: glenn-jocher (14), Burhan-Q (1), Laughing-q (1), AyushExel (1)

Reacties