Ir para o conteúdo

Segmentação de Instâncias

Exemplos de segmentação de instâncias

A segmentação de instâncias vai além da detecção de objetos e envolve a identificação de objetos individuais em uma imagem e a sua segmentação do resto 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 forma exata deles.



Assista: Executar Segmentação com o Modelo Treinado Ultralytics YOLOv8 em Python.

Dica

Modelos YOLOv8 Segment usam o sufixo -seg, ou seja, yolov8n-seg.pt e são pré-treinados no COCO.

Modelos

Os modelos Segment pré-treinados do YOLOv8 estão 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.

Modelos são baixados automaticamente do último lançamento da Ultralytics release na primeira utilização.

Modelo Tamanho
(pixels)
mAPbox
50-95
mAPmáscara
50-95
Velocidade
CPU ONNX
(ms)
Velocidade
A100 TensorRT
(ms)
Parâmetros
(M)
FLOPs
(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
  • Os valores de mAPval são para um único modelo em uma única escala no conjunto de dados COCO val2017.
    Reproduza por meio de yolo val segment data=coco.yaml device=0
  • Velocidade média em imagens COCO val usando uma instância Amazon EC2 P4d.
    Reproduza por meio de yolo val segment data=coco128-seg.yaml batch=1 device=0|cpu

Treinar

Treine o modelo YOLOv8n-seg no conjunto de dados COCO128-seg por 100 épocas com tamanho de imagem 640. Para uma lista completa de argumentos disponíveis, consulte a página Configuração.

Exemplo

from ultralytics import YOLO

# Carregar um modelo
model = YOLO('yolov8n-seg.yaml')  # construir um novo modelo a partir do YAML
model = YOLO('yolov8n-seg.pt')  # carregar um modelo pré-treinado (recomendado para treinamento)
model = YOLO('yolov8n-seg.yaml').load('yolov8n.pt')  # construir a partir do YAML e transferir os pesos

# Treinar o modelo
results = model.train(data='coco128-seg.yaml', epochs=100, imgsz=640)
# Construir um novo modelo a partir do YAML e começar o treinamento do zero
yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml epochs=100 imgsz=640

# Começar o treinamento a partir de um modelo *.pt pré-treinado
yolo segment train data=coco128-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

# Construir um novo modelo a partir do YAML, transferir pesos pré-treinados para ele e começar o treinamento
yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml pretrained=yolov8n-seg.pt epochs=100 imgsz=640

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.

Val

Valide a acurácia do modelo YOLOv8n-seg treinado no conjunto de dados COCO128-seg. Não é necessário passar nenhum argumento, pois o modelo retém seus dados de treino e argumentos como atributos do modelo.

Exemplo

from ultralytics import YOLO

# Carregar um modelo
model = YOLO('yolov8n-seg.pt')  # carregar um modelo oficial
model = YOLO('path/to/best.pt')  # carregar um modelo personalizado

# Validar o modelo
metrics = model.val()  # sem necessidade de argumentos, conjunto de dados e configurações são lembrados
metrics.box.map    # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps   # uma lista contendo map50-95(B) de cada categoria
metrics.seg.map    # map50-95(M)
metrics.seg.map50  # map50(M)
metrics.seg.map75  # map75(M)
metrics.seg.maps   # uma lista contendo map50-95(M) de cada categoria
yolo segment val model=yolov8n-seg.pt  # val modelo oficial
yolo segment val model=path/to/best.pt  # val modelo personalizado

Prever

Use um modelo YOLOv8n-seg treinado para realizar previsões em imagens.

Exemplo

from ultralytics import YOLO

# Carregar um modelo
model = YOLO('yolov8n-seg.pt')  # carregar um modelo oficial
model = YOLO('path/to/best.pt')  # carregar um modelo personalizado

# Realizar previsão com o modelo
results = model('https://ultralytics.com/images/bus.jpg')  # prever em uma imagem
yolo segment predict model=yolov8n-seg.pt source='https://ultralytics.com/images/bus.jpg'  # previsão com modelo oficial
yolo segment predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # previsão com modelo personalizado

Veja detalhes completos do modo predict na página Prever.

Exportar

Exporte um modelo YOLOv8n-seg para um formato diferente como ONNX, CoreML, etc.

Exemplo

from ultralytics import YOLO

# Carregar um modelo
model = YOLO('yolov8n-seg.pt')  # carregar um modelo oficial
model = YOLO('path/to/best.pt')  # carregar um modelo treinado personalizado

# Exportar o modelo
model.export(format='onnx')
yolo export model=yolov8n-seg.pt format=onnx  # exportar modelo oficial
yolo export model=path/to/best.pt format=onnx  # exportar modelo treinado personalizado

Os formatos de exportação disponíveis para YOLOv8-seg estão na tabela abaixo. Você pode prever ou validar diretamente em modelos exportados, ou seja, yolo predict model=yolov8n-seg.onnx. Exemplos de uso são mostrados para o seu modelo após a conclusão da exportação.

Formato Argumento format Modelo Metadados Argumentos
PyTorch - yolov8n-seg.pt -
TorchScript torchscript yolov8n-seg.torchscript imgsz, optimize
ONNX onnx yolov8n-seg.onnx imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n-seg_openvino_model/ imgsz, half
TensorRT engine yolov8n-seg.engine imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n-seg.mlpackage imgsz, half, int8, nms
TF SavedModel saved_model yolov8n-seg_saved_model/ imgsz, keras
TF GraphDef pb yolov8n-seg.pb imgsz
TF Lite tflite yolov8n-seg.tflite imgsz, half, int8
TF Edge TPU edgetpu yolov8n-seg_edgetpu.tflite imgsz
TF.js tfjs yolov8n-seg_web_model/ imgsz
PaddlePaddle paddle yolov8n-seg_paddle_model/ imgsz
ncnn ncnn yolov8n-seg_ncnn_model/ imgsz, half

Veja detalhes completos da exportação na página Exportar.


Created 2023-11-13, Updated 2023-11-18
Authors: glenn-jocher (4)

Comentários