Segmentação de Instância

A segmentação de instância vai um passo além da detecção de objetos e envolve a identificação de objetos individuais em uma imagem e a sua segmentação em relação ao restante da imagem.

O resultado de um modelo de segmentação de instância é um conjunto de máscaras ou contornos que delineiam cada objeto na imagem, juntamente com rótulos de classe e pontuações de confiança para cada objeto. A segmentação de instância é útil quando você precisa saber não apenas onde os objetos estão em uma imagem, mas também qual é a sua forma exata.

Modelos

Os modelos Segment pré-treinados do YOLO26 são mostrados aqui. Os modelos Detect, Segment e Pose são pré-treinados no conjunto de dados COCO, enquanto os modelos Classify são pré-treinados no conjunto de dados ImageNet.

Os Modelos são baixados automaticamente da versão mais recente da Ultralytics no primeiro uso.

• Os valores de mAP^val são para modelo único em escala única no conjunto de dados COCO val2017.
  Reproduza com yolo val segment data=coco.yaml device=0
• A Velocidade é calculada como a média das imagens de validação do COCO usando uma instância Amazon EC2 P4d.
  Reproduza com yolo val segment data=coco.yaml batch=1 device=0|cpu
• Os valores de Params e FLOPs referem-se ao modelo fundido após model.fuse(), que mescla camadas Conv e BatchNorm e, para modelos de ponta a ponta (end2end), remove a cabeça de detecção auxiliar de um para muitos. Checkpoints pré-treinados mantêm a arquitetura de treinamento completa e podem exibir contagens mais altas.

Train

Treine o YOLO26n-seg no conjunto de dados COCO8-seg por 100 épocas com 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("yolo26n-seg.yaml")  # build a new model from YAML
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-seg.yaml").load("yolo26n-seg.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

Veja detalhes completos do modo train na página Treinar. Os modelos de segmentação também podem ser treinados em GPUs na nuvem através da Plataforma Ultralytics.

Formato do conjunto de dados

O formato do conjunto de dados de segmentação YOLO pode ser encontrado em detalhes no Guia de Conjuntos de Dados. Para converter seu conjunto de dados existente de outros formatos (como COCO, etc.) para o formato YOLO, utilize a ferramenta JSON2YOLO da Ultralytics. Você também pode criar máscaras de segmentação na Plataforma Ultralytics usando ferramentas de polígono e anotação inteligente com suporte do SAM.

Val

Valide a precisão do modelo YOLO26n-seg treinado no conjunto de dados COCO8-seg. Nenhum argumento é necessário, pois o model mantém seus próprios data de treinamento e argumentos como atributos do modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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 containing mAP50-95(B) for each category
metrics.box.image_metrics  # per-image metrics dictionary for det with precision, recall, F1, TP, FP, and FN
metrics.seg.map  # map50-95(M)
metrics.seg.map50  # map50(M)
metrics.seg.map75  # map75(M)
metrics.seg.maps  # a list containing mAP50-95(M) for each category
metrics.seg.image_metrics  # per-image metrics dictionary for seg with precision, recall, F1, TP, FP, and FN

Prever

Use um modelo YOLO26n-seg treinado para executar previsões em imagens.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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

# Access the results
for result in results:
    xy = result.masks.xy  # mask in polygon format
    xyn = result.masks.xyn  # normalized
    masks = result.masks.data  # mask in matrix format (num_objects x H x W)

Veja detalhes completos do modo predict na página Predição.

Export

Exporte um modelo YOLO26n-seg para um formato diferente como ONNX, CoreML, etc.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

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

Os formatos de exportação disponíveis para o YOLO26-seg estão na tabela abaixo. Você pode exportar para qualquer formato usando o argumento format, por exemplo, format='onnx' ou format='engine'. Você pode prever ou validar diretamente em modelos exportados, por exemplo, yolo predict model=yolo26n-seg.onnx. Exemplos de uso são exibidos para o seu modelo após a conclusão da exportação.

Consulta os detalhes completos de export na página Export.

FAQ

Como posso treinar um modelo de segmentação YOLO26 em um conjunto de dados personalizado?

Para treinar um modelo de segmentação YOLO26 em um conjunto de dados personalizado, primeiro você precisa preparar seu conjunto de dados no formato de segmentação YOLO. Você pode usar ferramentas como o JSON2YOLO para converter conjuntos de dados de outros formatos. Uma vez que seu conjunto de dados esteja pronto, você pode treinar o modelo usando Python ou comandos da CLI:

from ultralytics import YOLO

# Load a pretrained YOLO26 segment model
model = YOLO("yolo26n-seg.pt")

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

Verifique a página de Configuração para mais argumentos disponíveis.

Qual é a diferença entre detecção de objeto e segmentação de instância no YOLO26?

A detecção de objeto identifica e localiza objetos dentro de uma imagem desenhando caixas delimitadoras ao redor deles, enquanto a segmentação de instância não apenas identifica as caixas delimitadoras, mas também delineia a forma exata de cada objeto. Os modelos de segmentação de instância YOLO26 fornecem máscaras ou contornos que delineiam cada objeto detectado, o que é particularmente útil para tarefas onde conhecer a forma precisa dos objetos é importante, como em imagens médicas ou condução autônoma.

Por que usar o YOLO26 para segmentação de instância?

O Ultralytics YOLO26 é um modelo de ponta reconhecido por sua alta precisão e desempenho em tempo real, tornando-o ideal para tarefas de segmentação de instância. Os modelos YOLO26 Segment vêm pré-treinados no conjunto de dados COCO, garantindo um desempenho robusto em uma variedade de objetos. Além disso, o YOLO oferece suporte a funcionalidades de treinamento, validação, previsão e exportação com integração perfeita, tornando-o altamente versátil para aplicações de pesquisa e industriais.

Como faço para carregar e validar 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("yolo26n-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)

Essas etapas fornecerão métricas de validação como Mean Average Precision (mAP), cruciais para avaliar o desempenho do modelo.

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

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

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n-seg.pt")

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

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