İçeriğe geç

Örnek Segmentasyonu

Örnek segmentasyon örnekleri

Örnek segmentasyonu, nesne tespitinden bir adım daha ileri gider ve bir görüntüdeki tek tek nesneleri tanımlamayı ve bunları görüntünün geri kalanından segmentlere ayırmayı içerir.

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



İzle: Segmentasyonu Python adresinde Önceden Eğitilmiş Ultralytics YOLO Modeliyle Çalıştırın .

İpucu

YOLO11 Segment modelleri -seg son ek, yani yolo11n-seg.pt ve önceden eğitilmiş COCO.

Modeller

YOLO11 Burada önceden eğitilmiş Segment modelleri gösterilmektedir. Detect, Segment ve Pose modelleri COCO veri kümesi üzerinde, Classify modelleri ise ImageNet veri kümesi üzerinde ön eğitime tabi tutulmuştur.

Modeller ilk kullanımda en son Ultralytics sürümünden otomatik olarak indirilir.

Model boyut
(piksel)
mAPbox
50-95
mAPmask
50-95
Hız
CPU ONNX
(ms)
Hız
T4TensorRT10
(ms)
params
(M)
FLOP'lar
(B)
YOLO11n-seg 640 38.9 32.0 65.9 ± 1.1 1.8 ± 0.0 2.9 10.4
YOLO11s-seg 640 46.6 37.8 117.6 ± 4.9 2.9 ± 0.0 10.1 35.5
YOLO11m-seg 640 51.5 41.5 281.6 ± 1.2 6.3 ± 0.1 22.4 123.3
YOLO11l-seg 640 53.4 42.9 344.2 ± 3.2 7.8 ± 0.2 27.6 142.2
YOLO11x-seg 640 54.7 43.8 664.5 ± 3.2 15.8 ± 0.7 62.1 319.0
  • mAPval değerleri tek model tek ölçek içindir. COCO val2017 veri kümesi.
    Tarafından çoğaltın yolo val segment data=coco.yaml device=0
  • Hız kullanılarak COCO val görüntüleri üzerinde ortalaması alınmıştır. Amazon EC2 P4d örnek.
    Tarafından çoğaltın yolo val segment data=coco.yaml batch=1 device=0|cpu

Tren

YOLO11n-seg'i COCO8-seg veri kümesi üzerinde 640 görüntü boyutunda 100 epok için eğitin. Kullanılabilir argümanların tam listesi için Yapılandırma sayfasına bakın.

Örnek

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.yaml")  # build a new model from YAML
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n-seg.yaml").load("yolo11n.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=yolo11n-seg.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-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=yolo11n-seg.yaml pretrained=yolo11n-seg.pt epochs=100 imgsz=640

Veri kümesi formatı

YOLO segmentasyon veri kümesi formatı Veri Kümesi Kılavuzunda ayrıntılı olarak bulunabilir. Mevcut veri setinizi diğer formatlardan (COCO vb.) YOLO formatına dönüştürmek için lütfen Ultralytics adresindeki JSON2YOLO aracını kullanın.

Val

Eğitilmiş YOLO11n-seg modelini doğrulayın doğruluk COCO8-seg veri kümesi üzerinde. Hiçbir argüman gerekmez çünkü model eğitimini sürdürür data ve model öznitelikleri olarak argümanlar.

Örnek

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt  # val official model
yolo segment val model=path/to/best.pt  # val custom model

Tahmin Et

Görüntüler üzerinde tahminleri çalıştırmak için eğitilmiş bir YOLO11n-seg modeli kullanın.

Örnek

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-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

Tamamı görün predict modunun ayrıntıları Tahmin Et Sayfa.

İhracat

Bir YOLO11n-seg modelini ONNX, CoreML vb. gibi farklı bir formata aktarın.

Örnek

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Mevcut YOLO11-seg dışa aktarma formatları aşağıdaki tabloda yer almaktadır. kullanarak herhangi bir formata dışa aktarabilirsiniz. format argümanı, yani format='onnx' veya format='engine'. Doğrudan dışa aktarılan modeller üzerinde tahmin veya doğrulama yapabilirsiniz, örn. yolo predict model=yolo11n-seg.onnx. Dışa aktarma tamamlandıktan sonra modeliniz için kullanım örnekleri gösterilir.

Biçim format Tartışma Model Metadata Argümanlar
PyTorch - yolo11n-seg.pt -
TorchScript torchscript yolo11n-seg.torchscript imgsz, optimize, batch
ONNX onnx yolo11n-seg.onnx imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolo11n-seg_openvino_model/ imgsz, half, int8, batch
TensorRT engine yolo11n-seg.engine imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolo11n-seg.mlpackage imgsz, half, int8, nms, batch
TF SavedModel saved_model yolo11n-seg_saved_model/ imgsz, keras, int8, batch
TF GraphDef pb yolo11n-seg.pb imgsz, batch
TF Lite tflite yolo11n-seg.tflite imgsz, half, int8, batch
TF Kenar TPU edgetpu yolo11n-seg_edgetpu.tflite imgsz
TF.js tfjs yolo11n-seg_web_model/ imgsz, half, int8, batch
PaddlePaddle paddle yolo11n-seg_paddle_model/ imgsz, batch
MNN mnn yolo11n-seg.mnn imgsz, batch, int8, half
NCNN ncnn yolo11n-seg_ncnn_model/ imgsz, half, batch
IMX500 imx yolo11n-seg_imx_model/ imgsz, int8

Tamamı görün export detaylar İhracat Sayfa.

SSS

Özel bir veri kümesi üzerinde YOLO11 segmentasyon modelini nasıl eğitebilirim?

Özel bir veri kümesi üzerinde YOLO11 segmentasyon modelini eğitmek için öncelikle veri kümenizi YOLO segmentasyon formatında hazırlamanız gerekir. Veri kümelerini diğer formatlardan dönüştürmek için JSON2YOLO gibi araçları kullanabilirsiniz. Veri setiniz hazır olduğunda, Python veya CLI komutlarını kullanarak modeli eğitebilirsiniz:

Örnek

from ultralytics import YOLO

# Load a pretrained YOLO11 segment model
model = YOLO("yolo11n-seg.pt")

# Train the model
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)
yolo segment train data=path/to/your_dataset.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Daha fazla kullanılabilir argüman için Yapılandırma sayfasını kontrol edin.

YOLO11 adresinde nesne algılama ve örnek segmentasyonu arasındaki fark nedir?

Nesne algılama, bir görüntüdeki nesneleri etraflarına sınırlayıcı kutular çizerek tanımlar ve konumlandırırken, örnek segmentasyonu yalnızca sınırlayıcı kutuları tanımlamakla kalmaz, aynı zamanda her nesnenin tam şeklini de belirler. YOLO11 örnek segmentasyon modelleri, algılanan her nesnenin ana hatlarını çizen maskeler veya konturlar sağlar; bu, özellikle tıbbi görüntüleme veya otonom sürüş gibi nesnelerin kesin şeklini bilmenin önemli olduğu görevler için kullanışlıdır.

Örnek segmentasyonu için neden YOLO11 kullanılmalı?

Ultralytics YOLO11 yüksek doğruluğu ve gerçek zamanlı performansıyla tanınan son teknoloji ürünü bir modeldir ve örnek segmentasyon görevleri için idealdir. YOLO11 Segment modelleri COCO veri kümesi üzerinde önceden eğitilmiş olarak gelir ve çeşitli nesnelerde sağlam performans sağlar. Ayrıca, YOLO sorunsuz entegrasyon ile eğitim, doğrulama, tahmin ve dışa aktarma işlevlerini destekleyerek hem araştırma hem de endüstri uygulamaları için çok yönlü olmasını sağlar.

Önceden eğitilmiş bir YOLO segmentasyon modelini nasıl yükleyebilir ve doğrulayabilirim?

Önceden eğitilmiş bir YOLO segmentasyon modelini yüklemek ve doğrulamak kolaydır. Hem Python hem de CLI kullanarak bunu nasıl yapabileceğiniz aşağıda açıklanmıştır:

Örnek

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n-seg.pt")

# Validate the model
metrics = model.val()
print("Mean Average Precision for boxes:", metrics.box.map)
print("Mean Average Precision for masks:", metrics.seg.map)
yolo segment val model=yolo11n-seg.pt

Bu adımlar, model performansını değerlendirmek için çok önemli olan Ortalama Ortalama Hassasiyet (mAP) gibi doğrulama metriklerini sağlayacaktır.

Bir YOLO segmentasyon modelini ONNX formatına nasıl aktarabilirim?

Bir YOLO segmentasyon modelini ONNX formatına aktarmak basittir ve Python veya CLI komutları kullanılarak yapılabilir:

Örnek

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n-seg.pt")

# Export the model to ONNX format
model.export(format="onnx")
yolo export model=yolo11n-seg.pt format=onnx

Çeşitli formatlara dışa aktarma hakkında daha fazla bilgi için Dışa Aktar sayfasına bakın.

📅1 yıl önce oluşturuldu ✏️ 9 gün önce güncellendi

Yorumlar