Ultralytics YOLO ile Örnek Segmentasyonu#

Örnek segmentasyonu, nesne algılamanın bir adım ötesine geçer; bir görüntüdeki tek tek nesneleri belirlemeyi ve bunları görüntünün geri kalanından segmentlere ayırmayı içerir.

Örnek segmentasyonu modelinin çıktısı, görüntüdeki her nesnenin sınırlarını belirleyen bir maske veya kontur kümesinin yanı sıra her nesne için sınıf etiketleri ve güven skorlarından oluşur. Örnek segmentasyonu, bir görüntüde nesnelerin yalnızca nerede olduğunu değil, tam şekillerinin ne olduğunu da bilmen gerektiğinde kullanışlıdır.

Modeller#

Önceden eğitilmiş YOLO26 Segment modelleri burada gösterilmektedir. Detect, Segment ve Pose modelleri COCO veri kümesi üzerinde, Semantic modelleri Cityscapes üzerinde, Classify modelleri ise ImageNet veri kümesi üzerinde önceden eğitilmiştir.

Modeller, ilk kullanımda en güncel Ultralytics sürümünden otomatik olarak indirilir.

• mAP^val değerleri, COCO val2017 veri kümesinde tek model ve tek ölçek için verilmiştir.
  yolo val segment data=coco.yaml device=0 nms=False ile yeniden üretin
• Hız, bir Amazon EC2 P4d örneği kullanılarak COCO val görüntüleri üzerinde ortalanmıştır.
  yolo val segment data=coco.yaml batch=1 device=0|cpu nms=False ile yeniden üretin
• Parametreler ve FLOP değerleri, Conv/BatchNorm katlama işlemi ve kullanılmayan algılama dalının kaldırılmasından sonraki birleştirilmiş modeller içindir. Önceden eğitilmiş kontrol noktaları tam eğitim mimarisini korur ve daha yüksek sayılar gösterebilir.

Bu checkpoint'ler 80 COCO sınıfını segmentlere ayırır. Yeniden eğitim yapmadan bu listenin dışındaki kategorileri segmentlere ayırmak için sınıfları metin istemi, görsel örnek veya yerleşik bir sözlük olarak alan YOLOE aracına bakabilirsin.

COCO kutu ve maske için ön sonuçları henüz yayınlanmamış YOLO27 önizlemesinde inceleyebilirsin.

Eğit#

YOLO26n-seg modelini COCO8-seg veri kümesi üzerinde, görüntü boyutu 640 olacak şekilde 100 epoch eğit. Kullanılabilir bağımsız değişkenlerin tam listesi için Configuration sayfasına bak.

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)

Train sayfasında train modunun tüm ayrıntılarını görebilirsin. Segmentasyon modelleri Ultralytics Platform bulut eğitimi ile de eğitilebilir.

Veri kümesi biçimi#

YOLO segmentasyon veri kümesi biçimini ayrıntılı olarak Veri Kümesi Kılavuzu içinde bulabilirsin. Mevcut bir COCO JSON veri kümesini YOLO biçimine dönüştürmek için, COCO - YOLO kılavuzu içinde açıklandığı gibi yerleşik convert_coco işlevini use_segments=True ile kullanabilirsin. Ayrıca poligon araçlarını ve SAM destekli akıllı etiketlemeyi kullanarak Ultralytics Platform etiketleme ile segmentasyon maskeleri oluşturabilirsin.

Doğrulama#

Eğitilmiş YOLO26n-seg modelinin doğruluğunu COCO8-seg veri kümesi üzerinde doğrula. model, eğitim data değerini ve bağımsız değişkenlerini model öznitelikleri olarak koruduğundan bağımsız değişken belirtmek gerekmez.

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

Tahmin#

Görüntüler üzerinde tahminler çalıştırmak için eğitilmiş bir YOLO26n-seg modeli kullan.

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

predict modunun tüm ayrıntıları için Tahmin sayfasına bak.

Sonuç çıktısı#

YOLO örnek segmentasyonu, görüntü başına bir Results nesnesi döndürür. Her sonuç, nesne düzeyinde tahminleri depolar; burada tespit edilen her örneğin kendine ait ikili maskesi, sınıfı, güven skoru ve kutusu bulunur.

Her görevdeki göreve özgü Results alanlarının tamamı için Göreve Göre Tahmin Sonuçları bölümüne bak.

Semantik Segmentasyondan Farkı#

Örnek segmentasyonu nesne düzeyinde segmentasyondur: iki araba, iki maske, iki kutu ve iki güven skoru üretir. Semantik segmentasyon piksel düzeyinde sınıflandırmadır: aynı arabalar, nesne başına kutu, güven skoru veya varsayılan poligon listesi olmadan, tek bir görüntü boyutundaki sınıf haritasında aynı sınıf kimliğine sahip piksellere dönüşür.

Dışa aktarma#

Bir YOLO26n-seg modelini ONNX, CoreML vb. farklı bir formata aktar.

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")

Kullanılabilir YOLO26-seg dışa aktarma formatları aşağıdaki tabloda yer alır. format bağımsız değişkenini kullanarak herhangi bir formata aktarabilirsin; örneğin format='onnx' veya format='engine'. Dışa aktarılan modeller üzerinde doğrudan tahmin yapabilir veya doğrulama gerçekleştirebilirsin; örneğin yolo predict model=yolo26n-seg.onnx. Dışa aktarma tamamlandıktan sonra modelin için kullanım örnekleri gösterilir.

nms=None, harici NMS için varsayılan olarak ham çıktıları kullanır. Mevcut bir NMS'siz başlığı seçmek için nms=False değerini ayarla; desteklenmeyen formatlar yerel çıktı yollarına geri döner. Yukarıdaki nms girdileri, NMS'yi nms=True ile gömebilen formatları tanımlar.

Ayrıntıların tamamı için Dışa aktarma sayfasındaki export bilgilerine bak.

SSS#