Ultralytics YOLO ile Anlamsal Bölütleme#

Semantik segmentasyon, bir görüntüdeki her piksele bir sınıf etiketi atayarak tüm sahneyi kapsayan yoğun bir sınıf haritası oluşturur. Tek tek nesneleri birbirinden ayıran örnek segmentasyonun aksine semantik segmentasyon, kaç farklı nesne bulunduğundan bağımsız olarak aynı sınıfa ait tüm pikselleri birlikte gruplar.

Semantik segmentasyon modelinin çıktısı, her piksel değerinin tahmin edilen bir sınıf kimliğine karşılık geldiği, yükseklik-genişlik boyutlarında tek bir sınıf haritasıdır. Bu nedenle semantik segmentasyon; otonom sürüş, tıbbi görüntüleme ve arazi örtüsü haritalama gibi sahne ayrıştırma görevleri için idealdir.

Modeller#

Cityscapes veri kümesi üzerinde önceden eğitilmiş YOLO26 semantik segmentasyon 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 görüntüleri üzerinden ortalanmıştır.
  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 kümesi üzerinde önceden eğitilmiş YOLO26 semantik segmentasyon modelleri aşağıda gösterilmiştir.

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

• mIoU^val değerleri, ADE20K doğrulama kümesinde tek model ve tek ölçek için verilmiştir.
  yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml device=0 imgsz=640 ile yeniden üret; yolo26n-sem-ade20k.pt yerine istediğin yolo26*-sem-ade20k.pt kontrol noktasını kullan.
• Hız metrikleri, bir RTX3090 örneği kullanılarak ADE20K doğrulama görüntüleri üzerinden ortalanmıştır.
  yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml batch=1 device=0|cpu imgsz=640 ile yeniden üret; yolo26n-sem-ade20k.pt yerine istediğin yolo26*-sem-ade20k.pt kontrol noktasını kullan.
• 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 hazırlık niteliğindeki Cityscapes mIoU sonuçları için yayınlanmamış YOLO27 önizlemesine göz at.

Eğit#

YOLO26n-sem modelini Cityscapes8 veri kümesi üzerinde görüntü boyutu 1024 olacak şekilde 100 epoch boyunca eğit. Kullanılabilir tüm bağımsız değişkenlerin listesi için Yapılandırma sayfasına bak.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.yaml")  # build a new model from YAML
model = YOLO("yolo26n-sem.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-sem.yaml").load("yolo26n-sem.pt")  # build from YAML and transfer weights

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

Train sayfasında train modunun tüm ayrıntılarını gör. Semantik segmentasyon modelleri Ultralytics Platform bulut eğitimi ile de eğitilebilir.

Veri kümesi biçimi#

Semantik segmentasyon veri kümelerinde, genellikle PNG biçiminde, her piksel değerinin bir sınıf kimliğini temsil ettiği tek kanallı maske görüntüleri kullanılır. 255 değerine sahip pikseller "ignore" olarak değerlendirilir ve kayıp hesaplamasına dahil edilmez. Veri kümesi YAML dosyası, görüntülerin ve bunlara karşılık gelen maske dizinlerinin yollarını belirtmelidir. Biçim ayrıntıları için Semantik Segmentasyon Veri Kümesi Kılavuzu sayfasına bak. Desteklenen veri kümeleri arasında Cityscapes ve ADE20K bulunur. Semantik veri kümelerini Ultralytics Platform açıklama araçlarıyla yönetebilir ve etiketleyebilirsin.

Doğrulama#

Eğitilmiş YOLO26n-sem modelinin doğruluğunu bir semantik segmentasyon veri kümesi üzerinde doğrula. Doğrulamanın amaçlanan veri kümesi YAML dosyasını kullanması için data değerini açıkça belirt.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val(data="cityscapes.yaml")
metrics.miou  # mean Intersection over Union
metrics.pixel_accuracy  # overall pixel accuracy

Tahmin#

Görüntüler üzerinde tahminler çalıştırmak için eğitilmiş bir YOLO26n-sem modeli kullan.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.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:
    semantic_mask = result.semantic_mask.data  # class map, shape (H,W), integer dtype selected by class count

predict modunun tüm ayrıntıları için Tahmin sayfasına bak.

Sonuç çıktısı#

YOLO semantik segmentasyonu, görüntü başına bir Results nesnesi döndürür. Her sonuç, nesne maskeleri listesinin yerine tüm görüntü için tek bir yoğun sınıf haritası depolar. Aynı tahmin edilen sınıfa sahip pikseller, ayrı nesnelere ait olsalar bile aynı sınıf kimliğini paylaşır.

Her görevdeki göreve özgü Results alanlarının tamamı için Göreve Göre Tahmin Sonuçları bölümüne bak.

Örnek ve Semantik Segmentasyon#

Dışa aktarma#

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

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Export the model
model.export(format="onnx")

Kullanılabilir YOLO26 semantik segmentasyon dışa aktarma biçimleri aşağıdaki tabloda yer alır. format bağımsız değişkenini kullanarak herhangi bir biçime aktarabilirsin; örneğin format='onnx' veya format='engine'. Dışa aktarılan modeller üzerinde doğrudan tahmin yapabilir veya doğrulama çalıştırabilirsin; örneğin yolo predict model=yolo26n-sem.onnx. Kullanım örnekleri, dışa aktarma tamamlandıktan sonra modelin için gösterilir.

nms=None, harici NMS için varsayılan olarak ham çıktıları kullanır. Mevcut bir NMS'siz başlığı seçmek için nms=False değerini ayarla; desteklenmeyen formatlar yerel çıktı yollarına geri döner. Yukarıdaki nms girdileri, NMS'yi nms=True ile gömebilen formatları tanımlar.

Ayrıntıların tamamı için Dışa aktarma sayfasındaki export bilgilerine bak.

SSS#