Segmentação de instâncias

A segmentação de instâncias vai um passo além da deteção de objectos e envolve a identificação de objectos individuais numa imagem e a sua segmentação do resto da imagem.

O resultado de um modelo de segmentação de instâncias é um conjunto de máscaras ou contornos que delineia cada objeto na imagem, juntamente com etiquetas de classe e pontuações de confiança para cada objeto. A segmentação de instâncias é útil quando é necessário saber não só onde estão os objectos numa imagem, mas também qual é a sua forma exacta.

Ver: Executar a segmentação com o modelo Ultralytics YOLO pré-treinado em Python.

Modelos

YOLO11 Os modelos Segment pré-treinados são mostrados aqui. Os modelos Detetar, Segmentar e Pose são pré-treinados no conjunto de dados COCO, enquanto os modelos Classificar são pré-treinados no conjunto de dados ImageNet.

Os modelos são transferidos automaticamente a partir daversão mais recentede Ultralytics na primeira utilização.

• ^mAPval são valores para modelo único e escala única em COCO val2017 conjunto de dados.
  Reproduzir por yolo val segment data=coco-seg.yaml device=0
• Velocidade média das imagens COCO val utilizando um Amazon EC2 P4d instância.
  Reproduzir por yolo val segment data=coco-seg.yaml batch=1 device=0|cpu

Comboio

Treinar YOLO11n-seg no conjunto de dados COCO8-seg para 100 épocas com o tamanho de imagem 640. Para obter uma lista completa dos argumentos disponíveis, consulte a página Configuração.

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

Formato do conjunto de dados

YOLO O formato do conjunto de dados de segmentação pode ser consultado em pormenor no Guia do conjunto de dados. Para converter o seu conjunto de dados existente de outros formatos (como COCO, etc.) para o formato YOLO , utilize a ferramenta JSON2YOLO em Ultralytics.

Val

Validar o modelo YOLO11n-seg treinado exatidão no conjunto de dados COCO8-seg. Não são necessários argumentos, uma vez que o model mantém a sua formação data e argumentos como atributos do modelo.

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

Prever

Utilizar um modelo YOLO11n-seg treinado para executar previsões em imagens.

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

Ver completo predict detalhes do modo no Prever página.

Exportação

Exportar um modelo YOLO11n-seg para um formato diferente, como ONNX, CoreML, etc.

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

Os formatos de exportação disponíveis em YOLO11-seg encontram-se na tabela abaixo. É possível exportar para qualquer formato usando o format argumento, ou seja format='onnx' ou format='engine'. É possível prever ou validar diretamente nos modelos exportados, ou seja yolo predict model=yolo11n-seg.onnx. São apresentados exemplos de utilização para o seu modelo após a conclusão da exportação.

Ver completo export pormenores no Exportação página.

FAQ

Como é que treino um modelo de segmentação YOLO11 num conjunto de dados personalizado?

Para treinar um modelo de segmentação YOLO11 em um conjunto de dados personalizado, primeiro é necessário preparar o conjunto de dados no formato de segmentação YOLO . Você pode usar ferramentas como JSON2YOLO para converter conjuntos de dados de outros formatos. Quando o conjunto de dados estiver pronto, é possível treinar o modelo usando os comandos Python ou CLI :

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

Consulte a página Configuração para obter mais argumentos disponíveis.

Qual é a diferença entre a deteção de objectos e a segmentação de instâncias em YOLO11?

A deteção de objectos identifica e localiza os objectos numa imagem desenhando caixas delimitadoras à sua volta, enquanto a segmentação de instâncias não só identifica as caixas delimitadoras como também delineia a forma exacta de cada objeto. YOLO11 modelos de segmentação de instâncias fornecem máscaras ou contornos que delineiam cada objeto detectado, o que é particularmente útil para tarefas em que é importante conhecer a forma exacta dos objectos, como a imagiologia médica ou a condução autónoma.

Porquê utilizar YOLO11 para a segmentação de exemplos?

Ultralytics YOLO11 é um modelo de última geração reconhecido pela sua elevada precisão e desempenho em tempo real, tornando-o ideal para tarefas de segmentação de instâncias. YOLO11 Os modelos de segmentação são pré-treinados no conjunto de dados COCO, garantindo um desempenho robusto numa variedade de objectos. Além disso, o YOLO suporta funcionalidades de formação, validação, previsão e exportação com uma integração perfeita, tornando-o altamente versátil para aplicações de investigação e industriais.

Como é que carrego e valido um modelo de segmentação YOLO pré-treinado?

Carregar e validar um modelo de segmentação YOLO pré-treinado é simples. Veja como você pode fazer isso usando Python e CLI:

from ultralytics import YOLO

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

Estes passos fornecer-lhe-ão métricas de validação como a precisão média (mAP), crucial para avaliar o desempenho do modelo.

Como é que posso exportar um modelo de segmentação de YOLO para o formato ONNX ?

Exportar um modelo de segmentação de YOLO para o formato ONNX é simples e pode ser feito usando os comandos Python ou CLI :

from ultralytics import YOLO

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

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

yolo export model=yolo11n-seg.pt format=onnx

Para mais pormenores sobre a exportação para vários formatos, consulte a página Exportar.

📅C riado há 1 ano ✏️ Atualizado há 1 mês

Comentários