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, 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 Lite tflite yolov8n-seg.tflite imgsz, half, int8, batch
TF Rand 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

Bekijk volledig export details in de Exporteer pagina.

FAQ

Hoe train ik een YOLOv8 segmentatiemodel op een aangepaste dataset?

Om een YOLOv8 segmentatiemodel te trainen op een aangepaste dataset, moet je eerst je dataset voorbereiden in het YOLO segmentatieformaat. Je kunt tools zoals JSON2YOLO gebruiken om datasets van andere formaten te converteren. Zodra je dataset klaar is, kun je het model trainen met de commando's Python of CLI :

Voorbeeld

from ultralytics import YOLO

# Load a pretrained YOLOv8 segment model
model = YOLO("yolov8n-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=yolov8n-seg.pt epochs=100 imgsz=640

Kijk op de Configuratie pagina voor meer beschikbare argumenten.

Wat is het verschil tussen objectdetectie en segmentatie van instanties in YOLOv8?

Objectdetectie identificeert en lokaliseert objecten in een afbeelding door er begrenzende vakken omheen te tekenen, terwijl segmentatie niet alleen de begrenzende vakken identificeert, maar ook de exacte vorm van elk object afbakent. YOLOv8 segmentatiemodellen bieden maskers of contouren die elk gedetecteerd object omlijnen, wat vooral handig is voor taken waarbij het belangrijk is om de exacte vorm van objecten te kennen, zoals medische beeldvorming of autonoom rijden.

Waarom YOLOv8 gebruiken voor bijvoorbeeld segmentatie?

Ultralytics YOLOv8 is een geavanceerd model dat bekend staat om zijn hoge nauwkeurigheid en realtime prestaties, waardoor het ideaal is voor bijvoorbeeld segmentatietaken. YOLOv8 De segmentatiemodellen worden voorgetraind op de COCO dataset, waardoor robuuste prestaties over een verscheidenheid aan objecten worden gegarandeerd. Daarnaast ondersteunt YOLOv8 training, validatie, voorspelling en export functionaliteiten met naadloze integratie, waardoor het zeer veelzijdig is voor zowel onderzoeks- als industriële toepassingen.

Hoe laad en valideer ik een voorgetraind YOLOv8 segmentatiemodel?

Het laden en valideren van een voorgetraind YOLOv8 segmentatiemodel is eenvoudig. Hier wordt uitgelegd hoe je dit kunt doen met zowel Python als CLI:

Voorbeeld

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolov8n-seg.pt")

# Validate the model
metrics = model.val()
print("Mean Average Precision for boxes:", metrics.box.map)
print("Mean Average Precision for masks:", metrics.seg.map)
yolo segment val model=yolov8n-seg.pt

Deze stappen voorzien je van validatiemetrieken zoals Mean Average Precision (mAP), cruciaal voor het beoordelen van de modelprestaties.

Hoe kan ik een YOLOv8 segmentatiemodel exporteren naar het formaat ONNX ?

Het exporteren van een YOLOv8 segmentatiemodel naar het formaat ONNX is eenvoudig en kan worden gedaan met de commando's Python of CLI :

Voorbeeld

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolov8n-seg.pt")

# Export the model to ONNX format
model.export(format="onnx")
yolo export model=yolov8n-seg.pt format=onnx

Raadpleeg de pagina Exporteren voor meer informatie over exporteren naar verschillende formaten.



Aangemaakt 2023-11-12, Bijgewerkt 2024-07-04
Auteurs: glenn-jocher (20), Burhan-Q (4), Laughing-q (1)

Reacties