─░├žeri─če ge├ž

├ľrnek Segmentasyonu

├ľrnek segmentasyon ├Ârnekleri

├ľrnek segmentasyonu, nesne tespitinden bir ad─▒m daha ileri gider ve bir g├Âr├╝nt├╝deki tek tek nesneleri tan─▒mlamay─▒ ve bunlar─▒ g├Âr├╝nt├╝n├╝n geri kalan─▒ndan segmentlere ay─▒rmay─▒ i├žerir.

Bir ├Ârnek segmentasyon modelinin ├ž─▒kt─▒s─▒, g├Âr├╝nt├╝deki her nesnenin ana hatlar─▒n─▒ ├žizen bir dizi maske veya kontur ile birlikte her nesne i├žin s─▒n─▒f etiketleri ve g├╝ven puanlar─▒d─▒r. ├ľrnek segmentasyonu, yaln─▒zca nesnelerin bir g├Âr├╝nt├╝de nerede oldu─čunu de─čil, ayn─▒ zamanda tam ┼čekillerinin ne oldu─čunu da bilmeniz gerekti─činde kullan─▒┼čl─▒d─▒r.



─░zle: Segmentasyonu Python adresinde ├ľnceden E─čitilmi┼č Ultralytics YOLOv8 Modeliyle ├çal─▒┼čt─▒r─▒n .

─░pucu

YOLOv8 Segment modelleri -seg son ek, yani yolov8n-seg.pt ve ├Ânceden e─čitilmi┼č COCO.

Modeller

YOLOv8 Burada ├Ânceden e─čitilmi┼č Segment modelleri g├Âsterilmektedir. Detect, Segment ve Pose modelleri COCO veri k├╝mesi ├╝zerinde, Classify modelleri ise ImageNet veri k├╝mesi ├╝zerinde ├Ân e─čitime tabi tutulmu┼čtur.

Modeller ilk kullan─▒mda en son Ultralytics s├╝r├╝m├╝nden otomatik olarak indirilir.

Model boyut
(piksel)
mAPbox
50-95
mAPmask
50-95
H─▒z
CPU ONNX
(ms)
H─▒z
A100 TensorRT
(ms)
params
(M)
FLOP'lar
(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
  • mAPval de─čerleri tek model tek ├Âl├žek i├žindir. COCO val2017 veri k├╝mesi.
    Taraf─▒ndan ├žo─čalt─▒n yolo val segment data=coco.yaml device=0
  • H─▒z kullan─▒larak COCO val g├Âr├╝nt├╝leri ├╝zerinde ortalamas─▒ al─▒nm─▒┼čt─▒r. Amazon EC2 P4d ├Ârnek.
    Taraf─▒ndan ├žo─čalt─▒n yolo val segment data=coco8-seg.yaml batch=1 device=0|cpu

Tren

640 g├Âr├╝nt├╝ boyutunda 100 epok i├žin COCO128-seg veri k├╝mesi ├╝zerinde YOLOv8n-seg'i e─čitin. Kullan─▒labilir arg├╝manlar─▒n tam listesi i├žin Yap─▒land─▒rma sayfas─▒na bak─▒n.

├ľrnek

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.yaml")  # build a new model from YAML
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolov8n-seg.yaml").load("yolov8n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)
# Build a new model from YAML and start training from scratch
yolo segment train data=coco8-seg.yaml model=yolov8n-seg.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo segment train data=coco8-seg.yaml model=yolov8n-seg.yaml pretrained=yolov8n-seg.pt epochs=100 imgsz=640

Veri k├╝mesi format─▒

YOLO segmentasyon veri k├╝mesi format─▒ Veri K├╝mesi K─▒lavuzunda ayr─▒nt─▒l─▒ olarak bulunabilir. Mevcut veri setinizi di─čer formatlardan (COCO vb.) YOLO format─▒na d├Ân├╝┼čt├╝rmek i├žin l├╝tfen Ultralytics adresindeki JSON2YOLO arac─▒n─▒ kullan─▒n.

Val

COCO128-seg veri k├╝mesi ├╝zerinde e─čitilmi┼č YOLOv8n-seg model do─črulu─čunu do─črulay─▒n. Herhangi bir arg├╝man ge├žilmesine gerek yoktur. model e─čitimini s├╝rd├╝r├╝r data ve model ├Âznitelikleri olarak arg├╝manlar.

├ľrnek

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 contains map50-95(B) of each category
metrics.seg.map  # map50-95(M)
metrics.seg.map50  # map50(M)
metrics.seg.map75  # map75(M)
metrics.seg.maps  # a list contains map50-95(M) of each category
yolo segment val model=yolov8n-seg.pt  # val official model
yolo segment val model=path/to/best.pt  # val custom model

Tahmin Et

G├Âr├╝nt├╝ler ├╝zerinde tahminleri ├žal─▒┼čt─▒rmak i├žin e─čitilmi┼č bir YOLOv8n-seg modeli kullan─▒n.

├ľrnek

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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
yolo segment predict model=yolov8n-seg.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo segment predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

Tamam─▒ g├Âr├╝n predict modunun ayr─▒nt─▒lar─▒ Tahmin Et Sayfa.

─░hracat

Bir YOLOv8n-seg modelini ONNX, CoreML, vb. gibi farkl─▒ bir formata aktar─▒n.

├ľrnek

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

# Export the model
model.export(format="onnx")
yolo export model=yolov8n-seg.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Mevcut YOLOv8-seg d─▒┼ča aktarma formatlar─▒ a┼ča─č─▒daki tabloda yer almaktad─▒r. kullanarak herhangi bir formata d─▒┼ča aktarabilirsiniz. format arg├╝man─▒, yani format='onnx' veya format='engine'. Do─črudan d─▒┼ča aktar─▒lan modeller ├╝zerinde tahmin veya do─črulama yapabilirsiniz, ├Ârn. yolo predict model=yolov8n-seg.onnx. D─▒┼ča aktarma tamamland─▒ktan sonra modeliniz i├žin kullan─▒m ├Ârnekleri g├Âsterilir.

Bi├žim format Tart─▒┼čma Model Metadata Arg├╝manlar
PyTorch - yolov8n-seg.pt Ôťů -
TorchScript torchscript yolov8n-seg.torchscript Ôťů imgsz, optimize, batch
ONNX onnx yolov8n-seg.onnx Ôťů imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n-seg_openvino_model/ Ôťů imgsz, half, int8, batch
TensorRT engine yolov8n-seg.engine Ôťů imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n-seg.mlpackage Ôťů imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n-seg_saved_model/ Ôťů imgsz, keras, int8, batch
TF GraphDef pb yolov8n-seg.pb ÔŁî imgsz, batch
TF Lite tflite yolov8n-seg.tflite Ôťů imgsz, half, int8, batch
TF Kenar TPU edgetpu yolov8n-seg_edgetpu.tflite Ôťů imgsz
TF.js tfjs yolov8n-seg_web_model/ Ôťů imgsz, half, int8, batch
PaddlePaddle paddle yolov8n-seg_paddle_model/ Ôťů imgsz, batch
NCNN ncnn yolov8n-seg_ncnn_model/ Ôťů imgsz, half, batch

Tamam─▒ g├Âr├╝n export detaylar ─░hracat Sayfa.



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (18), Burhan-Q (4), Laughing-q (1)

Yorumlar