Link to this sectionSegmentação de Instância#

A segmentação de instâncias vai um passo além da detecção de objetos e envolve identificar objetos individuais em uma imagem e segmentá-los do restante da imagem.

A saída de um modelo de segmentação de instâncias 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 instâncias é útil quando você precisa saber não apenas onde os objetos estão em uma imagem, mas também qual é a sua forma exata.

Link to this sectionModelos#

Os modelos Segment pré-treinados do YOLO26 são mostrados aqui. Os modelos Detect, Segment e Pose são pré-treinados no dataset COCO, os modelos Semantic são pré-treinados no Cityscapes e os modelos Classify são pré-treinados no dataset ImageNet.

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

• Os valores de mAP^val são para modelo único em escala única no dataset COCO val2017.
  Reproduza com yolo val segment data=coco.yaml device=0
• Velocidade média sobre 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 Parâmetros (Params) e FLOPs são para o modelo fundido após model.fuse(), que mescla camadas Conv e BatchNorm e, para modelos end-to-end, remove a cabeça de detecção auxiliar one-to-many. Checkpoints pré-treinados mantêm a arquitetura de treinamento completa e podem apresentar contagens maiores.

Link to this sectionTreinar#

Treine o YOLO26n-seg no dataset COCO8-seg por 100 épocas com tamanho de imagem 640. Para uma lista completa de argumentos disponíveis, veja a página de 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 de Treinamento. Modelos de segmentação também podem ser treinados em GPUs na nuvem através da Ultralytics Platform.

Link to this sectionFormato do conjunto de dados#

O formato de dataset de segmentação YOLO pode ser encontrado em detalhes no Guia de Datasets. Para converter seu dataset 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 Ultralytics Platform usando ferramentas de polígono e anotação inteligente alimentada por SAM.

Link to this sectionValidar#

Valide a precisão do modelo YOLO26n-seg treinado no dataset COCO8-seg. Nenhum argumento é necessário, pois o model retém seus dados de treinamento (data) 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

Link to this sectionPrever#

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 polygons in pixel coordinates
    xyn = result.masks.xyn  # normalized mask polygons
    masks = result.masks.data  # binary masks, shape (N,H,W), dtype torch.uint8

Veja os detalhes completos do modo predict na página Previsão.

Link to this sectionSaída de Resultados#

A segmentação de instâncias YOLO retorna um objeto Results por imagem. Cada resultado armazena previsões em nível de objeto, onde cada instância detectada tem sua própria máscara binária, classe, confiança e caixa.

Para campos de Results específicos de cada tarefa em todas as tarefas, veja a seção Resultados de Previsão por Tarefa.

Link to this sectionComo isso difere da segmentação semântica#

A segmentação de instâncias é uma segmentação em nível de objeto: dois carros produzem duas máscaras, duas caixas e duas pontuações de confiança. A segmentação semântica é uma classificação em nível de pixel: esses mesmos carros se tornam pixels com o mesmo ID de classe em um mapa de classes do tamanho da imagem, sem caixas, confidências ou lista de polígonos padrão por objeto.

Link to this sectionExportar#

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 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 mostrados para o seu modelo após a conclusão da exportação.

Veja detalhes completos de export na página Export.

Link to this sectionFAQ#

Link to this sectionComo treino um modelo de segmentação YOLO26 em um dataset personalizado?#

Para treinar um modelo de segmentação YOLO26 em um dataset personalizado, você primeiro precisa preparar seu dataset no formato de segmentação YOLO. Você pode usar ferramentas como o JSON2YOLO para converter datasets de outros formatos. Assim que seu dataset estiver pronto, você pode treinar o modelo usando Python ou comandos 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.

Link to this sectionQual é a diferença entre detecção de objetos e segmentação de instâncias no YOLO26?#

A detecção de objetos identifica e localiza objetos dentro de uma imagem desenhando caixas delimitadoras ao redor deles, enquanto a segmentação de instâncias não apenas identifica as caixas delimitadoras, mas também descreve a forma exata de cada objeto. Os modelos de segmentação de instâncias 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.

Link to this sectionPor que usar o YOLO26 para segmentação de instâncias?#

O Ultralytics YOLO26 é um modelo de última geração reconhecido por sua alta precisão e desempenho em tempo real, tornando-o ideal para tarefas de segmentação de instâncias. Os modelos YOLO26 Segment vêm pré-treinados no dataset COCO, garantindo um desempenho robusto em uma variedade de objetos. Além disso, o YOLO suporta funcionalidades de treinamento, validação, previsão e exportação com integração perfeita, tornando-o altamente versátil tanto para pesquisa quanto para aplicações industriais.

Link to this sectionComo 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("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 a Precisão Média Média (mAP), cruciais para avaliar o desempenho do modelo.

Link to this sectionComo 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 mais detalhes sobre exportação para vários formatos, consulte a página de Exportação.