Ultralytics YOLO ile Anlamsal Bölütleme#

Anlamsal bölütleme, görüntüdeki her piksele bir sınıf etiketi atayarak tüm sahneyi kapsayan yoğun bir sınıf haritası oluşturur. Tek tek nesneleri birbirinden ayıran örnek bölütlemenin aksine, anlamsal bölütleme kaç farklı nesne bulunduğuna bakmaksızın aynı sınıftaki tüm pikselleri bir araya getirir.

Anlamsal bölütleme modelinin çıktısı, her piksel değerinin tahmin edilen bir sınıf kimliğine karşılık geldiği, yükseklik ve genişlik boyutlarında tek bir sınıf haritasıdır. Bu özellik, anlamsal bölütlemeyi otonom sürüş, tıbbi görüntüleme ve arazi örtüsü haritalama gibi sahne ayrıştırma görevleri için ideal kılar.

Modeller#

Cityscapes veri kümesinde önceden eğitilmiş YOLO26 Semantic modelleri aşağıda gösterilmiştir.

Modeller ilk kullanımda en güncel Ultralytics sürümünden otomatik olarak indirilir.

• mIoU^val değerleri, Cityscapes doğrulama kümesinde tek model ve tek ölçek için verilmiştir.
  yolo semantic val data=cityscapes.yaml device=0 imgsz=2048 ile yeniden üret
• Hız metrikleri, bir RTX3090 örneği kullanılarak Cityscapes doğrulama görüntülerinin ortalaması alınarak hesaplanmıştır.
  yolo semantic val data=cityscapes.yaml batch=1 device=0|cpu imgsz=2048 ile yeniden üret
• Parametre ve FLOPs değerleri, Conv ve BatchNorm katmanlarını birleştiren model.fuse() sonrasındaki birleştirilmiş model içindir. Önceden eğitilmiş kontrol noktaları, tam eğitim mimarisini korur ve daha yüksek sayılar gösterebilir.

ADE20K veri kümesinde önceden eğitilmiş YOLO26 Semantic modelleri aşağıda gösterilmiştir.

• mIoU^val değerleri, ADE20K doğrulama kümesinde tek model ve tek ölçek için verilmiştir.
  yolo26n-sem-ade20k.pt değerini istediğin yolo26*-sem-ade20k.pt kontrol noktasıyla değiştirerek yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml device=0 imgsz=640 ile yeniden üret.
• Hız metrikleri, bir RTX3090 örneği kullanılarak ADE20K doğrulama görüntülerinin ortalaması alınarak hesaplanmıştır.
  yolo26n-sem-ade20k.pt değerini istediğin yolo26*-sem-ade20k.pt kontrol noktasıyla değiştirerek yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml batch=1 device=0|cpu imgsz=640 ile yeniden üret.
• Parametre ve FLOPs değerleri, Conv ve BatchNorm katmanlarını birleştiren model.fuse() sonrasındaki birleştirilmiş model içindir. Önceden eğitilmiş kontrol noktaları, tam eğitim mimarisini korur ve daha yüksek sayılar gösterebilir.

Ön Cityscapes mIoU sonuçları için yayınlanmamış YOLO27 önizlemesine bak.

Eğit#

YOLO26n-sem modelini, 1024 görüntü boyutunda 100 epoch boyunca Cityscapes8 veri kümesinde eğit. Kullanılabilir bağımsız değişkenlerin tam listesi için Yapılandırma sayfasına bak.

from ultralytics import YOLO

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

# Modeli eğit
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

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

Veri kümesi biçimi#

Anlamsal bölütleme veri kümelerinde, genellikle PNG biçiminde, her piksel değerinin bir sınıf kimliğini temsil ettiği tek kanallı maske görüntüleri kullanılır. 255 değerine sahip pikseller "yoksay" olarak değerlendirilir ve kayıp hesaplamasının dışında bırakılır. Veri kümesi YAML dosyası, görüntülerin ve bunlara karşılık gelen maske dizinlerinin yollarını belirtmelidir. YOLO çokgen etiketlerine sahip veri kümeleri doğrudan eğitilir ve maskelere anlık olarak dönüştürülür (aşağıdaki Örnek bölütleme verilerini kullanabilir miyim bölümüne bak). Biçim ayrıntıları için Anlamsal Bölütleme Veri Kümesi Kılavuzu sayfasına bak. Desteklenen veri kümeleri arasında Cityscapes ve ADE20K bulunur. Anlamsal veri kümelerini Ultralytics Platform açıklama araçlarıyla yönetebilir ve etiketleyebilirsin.

Doğrula#

Eğitilmiş YOLO26n-sem modelinin anlamsal bölütleme veri kümesindeki doğruluğunu doğrula. Doğrulamanın amaçlanan veri kümesi YAML dosyasını kullanması için data değerini açıkça geçir.

from ultralytics import YOLO

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

# Modeli doğrula
metrics = model.val(data="cityscapes.yaml")
metrics.miou  # ortalama Birleşim Üzerine Kesişim
metrics.pixel_accuracy  # genel piksel doğruluğu

Tahmin#

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

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-sem.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:
    semantic_mask = result.semantic_mask.data  # sınıf haritası, şekil (H,W), sınıf sayısına göre seçilen tamsayı dtype

predict kipinin tüm ayrıntıları için Tahmin sayfasına bak.

Sonuç Çıktısı#

YOLO anlamsal bölütleme, her görüntü için bir Results nesnesi döndürür. Her sonuç, nesne maskeleri listesinin yerine görüntünün tamamı için tek bir yoğun sınıf haritası depolar. Aynı tahmin edilen sınıfa ait pikseller, ayrı nesnelere ait olsalar bile aynı sınıf kimliğini paylaşır.

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

Örnek Bölütleme ve Anlamsal Bölütleme#

Dışa aktar#

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

from ultralytics import YOLO

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

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

Kullanılabilir YOLO26 anlamsal bölütleme 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-sem.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#