Ultralytics YOLO ile Örnek Bölütleme#

Instance segmentation, nesne tespitinden bir adım daha ileri giderek bir görüntüdeki bireysel nesneleri tanımlamayı ve bunları görüntünün geri kalanından segmentlere ayırmayı içerir.

Bir örnek bölümleme modelinin çıktısı, görüntüdeki her bir nesnenin ana hatlarını çizen bir dizi maske veya kontur ile her nesne için sınıf etiketleri ve güven puanlarıdır. Örnek bölümleme, yalnızca nesnelerin görüntüde nerede olduğunu değil, aynı zamanda tam şekillerinin ne olduğunu da bilmeniz gerektiğinde kullanışlıdır.

Modeller#

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

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

• mAP^val değerleri COCO val2017 veri kümesinde tek model ve tek ölçek içindir.
  Şununla yeniden üretin: yolo val segment data=coco.yaml device=0
• Speed, bir Amazon EC2 P4d örneği kullanılarak COCO val görüntüleri üzerinden ortalama olarak hesaplanmıştır.
  Şu komutla yeniden üretebilirsin: yolo val segment data=coco.yaml batch=1 device=0|cpu
• Params ve FLOPs değerleri, Conv ve BatchNorm katmanlarını birleştiren ve uçtan uca modeller için yardımcı bire çok algılama başlığını kaldıran model.fuse() sonrasındaki birleştirilmiş model içindir. Önceden eğitilmiş kontrol noktaları tam eğitim mimarisini korur ve daha yüksek sayılar gösterebilir.

Eğit (Train)#

YOLO26n-seg modelini COCO8-seg veri kümesi üzerinde 640 görüntü boyutunda 100 epochs boyunca eğit. Mevcut argümanların tam listesi için Configuration sayfasına bakın.

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)

Tam train modu detaylarını Train sayfasında inceleyin. Segmentasyon modelleri ayrıca Ultralytics Platform cloud training ile de eğitilebilir.

Veri kümesi biçimi#

YOLO segmentasyon veri kümesi formatı hakkında ayrıntılı bilgiyi Dataset Guide sayfasında bulabilirsin. Mevcut veri kümeni diğer formatlardan (COCO vb.) YOLO formatına dönüştürmek için lütfen Ultralytics tarafından sunulan JSON2YOLO aracını kullan. Ayrıca çokgen araçları ve SAM destekli akıllı etiketleme özellikleri ile Ultralytics Platform annotation kullanarak segmentasyon maskeleri oluşturabilirsin.

Doğrula (Val)#

Eğitilen YOLO26n-seg modelinin accuracy değerini COCO8-seg veri kümesi üzerinde doğrula. model kendi eğitim data ve argümanlarını model özellikleri olarak koruduğu için hiçbir argümana gerek yoktur.

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 Et (Predict)#

Görüntüler üzerinde tahmin 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

Tam predict modu ayrıntılarını Tahmin sayfasında görün.

Sonuç Çıktısı#

YOLO örnek segmentasyonu, görüntü başına bir Results nesnesi döndürür. Her sonuç, tespit edilen her örneğin kendi ikili maskesine, sınıfına, güven skoruna ve kutusuna sahip olduğu nesne düzeyindeki tahminleri depolar.

Her görev genelinde göreve özgü Results alanları için Göreve Göre Tahmin Sonuçları bölümüne bakın.

Bunun Anlamsal Bölümlemeden Farkı Nedir?#

Instance segmentation, nesne düzeyinde segmentasyondur: iki araba iki maske, iki kutu ve iki güven skoru üretir. Semantic segmentation ise piksel düzeyinde sınıflandırmadır: aynı arabalar, nesne başına kutular, güven skorları veya varsayılan çokgen listesi olmaksızın tek bir görüntü boyutundaki sınıf haritasında aynı sınıf kimliğine sahip pikseller haline gelir.

Dışa Aktar (Export)#

Bir YOLO26n-seg modelini ONNX, CoreML gibi farklı bir formata dışa 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")

Mevcut YOLO26-seg dışa aktarım formatları aşağıdaki tabloda yer almaktadır. format argümanını, yani format='onnx' veya format='engine' kullanarak herhangi bir forma dışa aktarabilirsin. Doğrudan dışa aktarılan modeller üzerinde tahmin veya doğrulama yapabilirsin, yani yolo predict model=yolo26n-seg.onnx. Dışa aktarım tamamlandıktan sonra modelin için kullanım örnekleri gösterilir.

Tam export ayrıntılarını Dışa Aktar sayfasında görün.

SSS#