Instance segmentatie
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 dooryolo val segment data=coco.yaml device=0
- Snelheid gemiddeld over COCO-valbeelden met behulp van een Amazon EC2 P4d voorbeeld.
Reproduceren dooryolo 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
Voorspel
Gebruik een getraind YOLOv8n-seg model om voorspellingen op afbeeldingen uit te voeren.
Voorbeeld
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
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)