Segmentasyon Nesnelerini İzole Etme

Segmentasyon Görevi gerçekleştirildikten sonra, bazen izole edilen nesneleri çıkarım sonuçlarından ayıklamak istenebilir. Bu kılavuz, Ultralytics Tahmin Modu kullanarak bunu nasıl yapacağına dair genel bir yöntem sunar.

Yöntem İncelemesi

1. Gerekli kütüphanelerin kurulumuna dair hızlı bir başlangıç için Ultralytics Hızlı Başlangıç Kurulumu bölümüne bak.

   ---

2. Bir model yükle ve bir kaynak üzerinde predict() yöntemini çalıştır.

   from ultralytics import YOLO
   
   # Load a model
   model = YOLO("yolo26n-seg.pt")
   
   # Run inference
   results = model.predict()

'ultralytics/assets/bus.jpg'
'ultralytics/assets/zidane.jpg'

Segmentasyon Modelleri hakkında ek bilgi için Segmentasyon Görevi sayfasını ziyaret et. predict() yöntemi hakkında daha fazla bilgi edinmek için Dokümantasyonun Tahmin Modu bölümüne bak.

3. Şimdi sonuçlar ve konturlar üzerinde yinele. Görseli dosyaya kaydetmek isteyen iş akışları için, kaynak görselin base-name değeri ve tespit edilen class-label daha sonra kullanılmak üzere alınır (isteğe bağlı).

```{ .py .annotate }
from pathlib import Path

import numpy as np

# (2) Iterate detection results (helpful for multiple images)
for r in results:
    img = np.copy(r.orig_img)
    img_name = Path(r.path).stem  # source image base-name

    # Iterate each object contour (multiple detections)
    for ci, c in enumerate(r):
        # (1) Get detection class name
        label = c.names[c.boxes.cls.tolist().pop()]
```

1. To learn more about working with detection results, see [Boxes Section for Predict Mode](../modes/predict.md#boxes).
2. To learn more about `predict()` results see [Working with Results for Predict Mode](../modes/predict.md#working-with-results)

4. Kaynak görselden bir ikili maske oluşturarak başla ve ardından maskenin üzerine dolu bir kontur çiz. Bu, nesnenin görselin diğer kısımlarından izole edilmesini sağlayacaktır. bus.jpg örneğinden, tespit edilen person sınıfı nesnelerinden biri için bir örnek sağ tarafta gösterilmiştir.

   { width="240", align="right" }

   import cv2
   
   # Create binary mask
   b_mask = np.zeros(img.shape[:2], np.uint8)
   
   # (1) Extract contour result
   contour = c.masks.xy.pop()
   # (2) Changing the type
   contour = contour.astype(np.int32)
   # (3) Reshaping
   contour = contour.reshape(-1, 1, 2)
   
   # Draw contour onto mask
   _ = cv2.drawContours(b_mask, [contour], -1, (255, 255, 255), cv2.FILLED)

   1. c.masks.xy hakkında daha fazla bilgi için Tahmin Modu Maskeler Bölümü kısmına bak.

   2. Here the values are cast into np.int32 for compatibility with drawContours() function from OpenCV.

   3. OpenCV drawContours() fonksiyonu, konturların [N, 1, 2] şeklinde olmasını bekler, daha fazla detay için aşağıdaki bölümü genişlet.

   Expand to understand what is happening when defining the contour variable.

   - `c.masks.xy` :: Provides the coordinates of the mask contour points in the format `(x, y)`. For more details, refer to the [Masks Section from Predict Mode](../modes/predict.md#masks). - `.pop()` :: As `masks.xy` is a list containing a single element, this element is extracted using the `pop()` method. - `.astype(np.int32)` :: Using `masks.xy` will return with a data type of `float32`, but this won't be compatible with the OpenCV `drawContours()` function, so this will change the data type to `int32` for compatibility. - `.reshape(-1, 1, 2)` :: Reformats the data into the required shape of `[N, 1, 2]` where `N` is the number of contour points, with each point represented by a single entry `1`, and the entry is composed of `2` values. The `-1` denotes that the number of values along this dimension is flexible.

   Expand for an explanation of the drawContours() configuration.

   - Encapsulating the `contour` variable within square brackets, `[contour]`, was found to effectively generate the desired contour mask during testing. - The value `-1` specified for the `drawContours()` parameter instructs the function to draw all contours present in the image. - The `tuple` `(255, 255, 255)` represents the color white, which is the desired color for drawing the contour in this binary mask. - The addition of `cv2.FILLED` will color all pixels enclosed by the contour boundary the same, in this case, all enclosed pixels will be white. - See [OpenCV Documentation on `drawContours()`](https://docs.opencv.org/4.8.0/d6/d6e/group__imgproc__draw.html#ga746c0625f1781f1ffc9056259103edbc) for more information.

   ---

5. Bir sonraki adımda, görselle nasıl ilerleyeceğine dair 2 seçenek ve her biri için izleyen birer seçenek bulunmaktadır.

   Nesne İzole Etme Seçenekleri

# Create 3-channel mask
mask3ch = cv2.cvtColor(b_mask, cv2.COLOR_GRAY2BGR)

# Isolate object with binary mask
isolated = cv2.bitwise_and(mask3ch, img)

# (1) Bounding box coordinates
x1, y1, x2, y2 = c.boxes.xyxy.cpu().numpy().squeeze().astype(np.int32)
# Crop image to object region
iso_crop = isolated[y1:y2, x1:x2]

6. Bundan sonra ne yapacağın tamamen geliştirici olarak sana kalmıştır. Olası bir sonraki adımın (görseli ileride kullanmak üzere dosyaya kaydetme) temel bir örneği gösterilmiştir.
   • NOT: Bu adım isteğe bağlıdır ve özel kullanım durumun için gerekmiyorsa atlanabilir.

# Save isolated object to file
_ = cv2.imwrite(f"{img_name}_{label}-{ci}.png", iso_crop)

Tam Örnek kod

Burada, önceki bölümdeki tüm adımlar tek bir kod bloğunda birleştirilmiştir. Tekrarlayan kullanımlar için, for döngülerinde yer alan komutların bir kısmını veya tamamını gerçekleştirecek bir fonksiyon tanımlamak en iyisi olacaktır, ancak bu okuyucuya bırakılmış bir alıştırmadır.

from pathlib import Path

import cv2
import numpy as np

from ultralytics import YOLO

m = YOLO("yolo26n-seg.pt")  # (4)!
res = m.predict(source="path/to/image.jpg")  # (3)!

# Iterate detection results (5)
for r in res:
    img = np.copy(r.orig_img)
    img_name = Path(r.path).stem

    # Iterate each object contour (6)
    for ci, c in enumerate(r):
        label = c.names[c.boxes.cls.tolist().pop()]

        b_mask = np.zeros(img.shape[:2], np.uint8)

        # Create contour mask (1)
        contour = c.masks.xy.pop().astype(np.int32).reshape(-1, 1, 2)
        _ = cv2.drawContours(b_mask, [contour], -1, (255, 255, 255), cv2.FILLED)

        # Choose one:

        # OPTION-1: Isolate object with black background
        mask3ch = cv2.cvtColor(b_mask, cv2.COLOR_GRAY2BGR)
        isolated = cv2.bitwise_and(mask3ch, img)

        # OPTION-2: Isolate object with transparent background (when saved as PNG)
        isolated = np.dstack([img, b_mask])

        # OPTIONAL: detection crop (from either OPT1 or OPT2)
        x1, y1, x2, y2 = c.boxes.xyxy.cpu().numpy().squeeze().astype(np.int32)
        iso_crop = isolated[y1:y2, x1:x2]

        # Add your custom post-processing here (2)

1. contour değerini dolduran satır burada tek bir satırda birleştirilmiştir, yukarıda ise birkaç satıra bölünmüştü.
2. {==Buraya ne geleceği sana kalmış!==}
3. Ek bilgi için Tahmin Modu bölümüne bak.
4. Daha fazla bilgi için Segmentasyon Görevi bölümüne bak.
5. Sonuçlarla Çalışma hakkında daha fazla bilgi edin
6. Segmentasyon Maskesi Sonuçları hakkında daha fazla bilgi edin

SSS

Ultralytics YOLO26 kullanarak segmentasyon görevleri için nesneleri nasıl izole ederim?

Ultralytics YOLO26 kullanarak nesneleri izole etmek için şu adımları izle:

1. Modeli yükle ve çıkarımı çalıştır:

   from ultralytics import YOLO
   
   model = YOLO("yolo26n-seg.pt")
   results = model.predict(source="path/to/your/image.jpg")

2. İkili maske oluştur ve konturları çiz:

   import cv2
   import numpy as np
   
   img = np.copy(results[0].orig_img)
   b_mask = np.zeros(img.shape[:2], np.uint8)
   contour = results[0].masks.xy[0].astype(np.int32).reshape(-1, 1, 2)
   cv2.drawContours(b_mask, [contour], -1, (255, 255, 255), cv2.FILLED)

3. İkili maskeyi kullanarak nesneyi izole et:

   mask3ch = cv2.cvtColor(b_mask, cv2.COLOR_GRAY2BGR)
   isolated = cv2.bitwise_and(mask3ch, img)

Daha fazla bilgi için Tahmin Modu ve Segmentasyon Görevi hakkındaki kılavuza başvur.

Segmentasyondan sonra izole edilen nesneleri kaydetmek için hangi seçenekler mevcuttur?

Ultralytics YOLO26, izole edilen nesneleri kaydetmek için iki ana seçenek sunar:

1. Siyah Arka Plan ile:

   mask3ch = cv2.cvtColor(b_mask, cv2.COLOR_GRAY2BGR)
   isolated = cv2.bitwise_and(mask3ch, img)

2. Şeffaf Arka Plan ile:

   isolated = np.dstack([img, b_mask])

Daha fazla ayrıntı için Tahmin Modu bölümünü ziyaret et.

Ultralytics YOLO26 kullanarak izole edilmiş nesneleri sınırlayıcı kutularına göre nasıl kırpabilirim?

İzole edilmiş nesneleri sınırlayıcı kutularına göre kırpmak için:

1. Sınırlayıcı kutu koordinatlarını al:

   x1, y1, x2, y2 = results[0].boxes.xyxy[0].cpu().numpy().astype(np.int32)

2. İzole edilmiş görseli kırp:

   iso_crop = isolated[y1:y2, x1:x2]

Sınırlayıcı kutu sonuçları hakkında daha fazla bilgiyi Tahmin Modu dokümantasyonunda bul.

Segmentasyon görevlerinde nesne izolasyonu için neden Ultralytics YOLO26 kullanmalıyım?

Ultralytics YOLO26 şunları sağlar:

• Yüksek hızlı gerçek zamanlı nesne tespiti ve segmentasyon.
• Hassas nesne izolasyonu için Doğru sınırlayıcı kutu ve maske oluşturma.
• Verimli geliştirme için Kapsamlı dokümantasyon ve kullanımı kolay API.

YOLO kullanmanın faydalarını Segmentasyon Görevi dokümantasyonunda keşfet.

Ultralytics YOLO26 kullanarak arka plan dahil izole edilmiş nesneleri kaydedebilir miyim?

Yes, this is a built-in feature in Ultralytics YOLO26. Use the save_crop argument in the predict() method. For example:

results = model.predict(source="path/to/your/image.jpg", save_crop=True)

save_crop argümanı hakkında daha fazla bilgiyi Tahmin Modu Çıkarım Argümanları bölümünde oku.