Ultralytics YOLO ile Örnek Bölütleme#

Örnek bölütleme, nesne tespitinin bir adım ötesine geçer; görüntüdeki tek tek nesneleri tanımlamayı ve görüntünün geri kalanından ayırmayı içerir.

Örnek bölütleme modelinin çıktısı, görüntüdeki her nesnenin sınırlarını belirleyen maskeler veya konturların yanı sıra her nesneye ait sınıf etiketleri ve güven puanlarından oluşur. Örnek bölütleme, görüntüde nesnelerin yalnızca nerede olduğunu değil, tam şekillerinin ne olduğunu da bilmen gerektiğinde kullanışlıdır.

Modeller#

COCO veri kümesinde önceden eğitilmiş YOLO26 Segment modelleri aşağıda gösterilmiştir.

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 segment val data=coco.yaml device=0 nms=False ile yeniden üret
• Hız değerleri, COCO val görüntülerinde CPU üzerinde ONNX ve NVIDIA T4 GPU üzerinde TensorRT10 kullanılarak hesaplanan ortalamalardır.
  yolo segment val data=coco.yaml batch=1 device=0|cpu nms=False ile yeniden üret.
• Parametre ve FLOP değerleri; Conv/BatchNorm katmanları birleştirildikten ve kullanılmayan tespit dalı kaldırıldıktan sonraki füzyonlu modeller içindir. Önceden eğitilmiş kontrol noktaları, eğitim mimarisinin tamamını korur ve daha yüksek sayılar gösterebilir.

Bu kontrol noktaları, 80 COCO sınıfını bölütler. Yeniden eğitim yapmadan bu listedekilerin dışındaki kategorileri bölütlemek için sınıfları metin istemi, görsel örnek veya yerleşik sözlük olarak alan YOLOE sayfasına bak.

Ön COCO kutu ve maske sonuçları için yayınlanmamış YOLO27 önizlemesine bak.

Eğit#

YOLO26n-seg modelini, 640 görüntü boyutunda 100 epoch boyunca COCO8-seg veri kümesinde eğit. Kullanılabilir bağımsız değişkenlerin tam listesi için Yapılandırma sayfasına bak.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-seg.yaml")  # YAML'den yeni bir model oluştur
model = YOLO("yolo26n-seg.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
model = YOLO("yolo26n-seg.yaml").load("yolo26n-seg.pt")  # YAML'den oluştur ve ağırlıkları aktar

# Modeli eğit
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

train modunun tüm ayrıntıları için Eğitim sayfasına bak. Bölütleme modellerini Ultralytics Platform bulut eğitimi ile de eğitebilirsin.

Veri kümesi biçimi#

YOLO bölütleme veri kümesi biçiminin ayrıntılarını Veri Kümesi Kılavuzu sayfasında bulabilirsin. Mevcut bir COCO JSON veri kümesini YOLO biçimine dönüştürmek için COCO'dan YOLO'ya kılavuzunda açıklandığı gibi yerleşik convert_coco işlevini use_segments=True ile kullan. Çokgen araçlarını ve SAM destekli akıllı açıklamaları kullanarak Ultralytics Platform açıklama araçlarıyla bölütleme maskeleri de oluşturabilirsin.

Doğrula#

Eğitilmiş YOLO26n-seg modelinin doğruluğunu doğrula. model, eğitim data değerini ve bağımsız değişkenleri model öznitelikleri olarak sakladığından bağımsız değişken belirtmen gerekmez: Eğitim örneğindeki path/to/best.pt, COCO8-seg üzerinde doğrulama yapar. Resmî ağırlıklar, makinenizde bulunmayan bir eğitim veri kümesi yolu kaydeder; bu nedenle bir uyarıyla birlikte varsayılan görev coco8-seg.yaml değerine geri döner. Başka bir veri kümesinde doğrulama yapmak için data değerini geçir.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-seg.pt")  # Resmî bir modeli yükle
model = YOLO("path/to/best.pt")  # özel bir model yükle

# Modeli doğrula
metrics = model.val()  # Bağımsız değişken gerekmez; veri kümesi ve ayarlar hatırlanır
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # her kategori için mAP50-95(B) içeren bir liste
metrics.box.image_metrics  # det için precision, recall, F1, TP, FP ve FN değerlerini içeren görüntü başına metrik sözlüğü
metrics.seg.map  # map50-95(M)
metrics.seg.map50  # map50(M)
metrics.seg.map75  # map75(M)
metrics.seg.maps  # her kategori için mAP50-95(M) içeren bir liste
metrics.seg.image_metrics  # seg için precision, recall, F1, TP, FP ve FN değerlerini içeren görüntü başına metrik sözlüğü

Tahmin#

Görüntülerde tahmin yapmak için eğitilmiş bir YOLO26n-seg modeli kullan.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-seg.pt")  # Resmî bir modeli yükle
model = YOLO("path/to/best.pt")  # özel bir model yükle

# Modelle tahmin yap
results = model("https://ultralytics.com/images/bus.jpg")  # bir görüntü üzerinde tahmin yap

# Sonuçlara eriş
for result in results:
    xy = result.masks.xy  # piksel koordinatlarındaki maske çokgenleri
    xyn = result.masks.xyn  # normalize edilmiş maske çokgenleri
    masks = result.masks.data  # ikili maskeler, şekil (N,H,W), dtype torch.uint8

predict kipinin tüm ayrıntıları için Tahmin sayfasına bak.

Sonuç Çıktısı#

YOLO örnek bölütleme, her görüntü için bir Results nesnesi döndürür. Her sonuç, nesne düzeyindeki tahminleri depolar; burada tespit edilen her örneğin kendine ait bir ikili maskesi, sınıfı, güven puanı ve kutusu vardır.

Tüm görevlerde göreve özgü Results alanları için Göreve Göre Tahmin Sonuçları bölümüne bak.

Örnek Bölütleme ve Anlamsal Bölütleme#

Örnek bölütleme, nesne düzeyinde bölütlemedir: iki araba, iki maske, iki kutu ve iki güven puanı üretir. Anlamsal bölütleme, piksel düzeyinde sınıflandırmadır: aynı arabalar, nesne başına kutu, güven puanı veya varsayılan çokgen listesi olmadan, tek bir görüntü boyutundaki sınıf haritasında aynı sınıf kimliğine sahip piksellere dönüşür. Anlamsal bölütleme sayfasındaki alan alan karşılaştırmaya bak.

Dışa aktar#

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

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-seg.pt")  # Resmî bir modeli yükle
model = YOLO("path/to/best.pt")  # özel bir model yükle

# Modeli dışa aktar
model.export(format="onnx")

Kullanılabilir YOLO26-seg dışa aktarma biçimleri aşağıdaki tabloda verilmiştir. format bağımsız değişkenini, örneğin format='onnx' veya format='engine' değerini kullanarak istediğin biçime aktarabilirsin. Dışa aktarılan modellerde doğrudan tahmin veya doğrulama yapabilirsin; örneğin yolo predict model=yolo26n-seg.onnx. Dışa aktarma tamamlandıktan sonra modeline ait kullanım örnekleri gösterilir.

nms=None, harici NMS için varsayılan olarak ham çıktılar üretir. Kullanılabilir bir NMS içermeyen başlık seçmek için nms=False değerini ayarla; desteklenmeyen biçimler yerel çıktı yoluna döner. Yukarıdaki nms girdileri, nms=True ile NMS içerebilen biçimleri tanımlar.

Ayrıntılı export bilgileri için Dışa Aktarma sayfasına bak.

Sık Sorulan Sorular#