Bỏ để qua phần nội dung

Phân đoạn và theo dõi trường hợp sử dụng Ultralytics YOLO11 🚀

Phân đoạn phiên bản là gì?

Phân đoạn trường hợp YOLO11 Ultralytics liên quan đến việc xác định và phác thảo các đối tượng riêng lẻ trong một hình ảnh, cung cấp hiểu biết chi tiết về phân bố không gian. Không giống như phân đoạn ngữ nghĩa , nó dán nhãn duy nhất và mô tả chính xác từng đối tượng, rất quan trọng đối với các tác vụ như phát hiện đối tượng và hình ảnh y tế.

Có hai loại theo dõi phân đoạn phiên bản có sẵn trong Ultralytics gói:

  • Phân đoạn phiên bản với các đối tượng lớp: Mỗi đối tượng lớp được gán một màu duy nhất để phân tách trực quan rõ ràng.

  • Phân đoạn phiên bản với Object Tracks: Mỗi bản nhạc được thể hiện bằng một màu sắc riêng biệt, tạo điều kiện dễ dàng xác định và theo dõi.



Xem: Phân đoạn trường hợp với theo dõi đối tượng bằng cách sử dụng Ultralytics YOLO11

Mẫu

Phân đoạn phiên bảnPhân đoạn phiên bản + Theo dõi đối tượng
Ultralytics Phân đoạn phiên bảnUltralytics Phân đoạn phiên bản với theo dõi đối tượng
Ultralytics Phân đoạn phiên bản 😍Ultralytics Phân đoạn phiên bản với theo dõi 🔥 đối tượng

Phân đoạn và theo dõi phiên bản

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolo11n-seg.pt")  # segmentation model
names = model.model.names
cap = cv2.VideoCapture("path/to/video/file.mp4")
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

out = cv2.VideoWriter("instance-segmentation.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

while True:
    ret, im0 = cap.read()
    if not ret:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    results = model.predict(im0)
    annotator = Annotator(im0, line_width=2)

    if results[0].masks is not None:
        clss = results[0].boxes.cls.cpu().tolist()
        masks = results[0].masks.xy
        for mask, cls in zip(masks, clss):
            color = colors(int(cls), True)
            txt_color = annotator.get_txt_color(color)
            annotator.seg_bbox(mask=mask, mask_color=color, label=names[int(cls)], txt_color=txt_color)

    out.write(im0)
    cv2.imshow("instance-segmentation", im0)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

out.release()
cap.release()
cv2.destroyAllWindows()

from collections import defaultdict

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

track_history = defaultdict(lambda: [])

model = YOLO("yolo11n-seg.pt")  # segmentation model
cap = cv2.VideoCapture("path/to/video/file.mp4")
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

out = cv2.VideoWriter("instance-segmentation-object-tracking.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

while True:
    ret, im0 = cap.read()
    if not ret:
        print("Video frame is empty or video processing has been successfully completed.")
        break

    annotator = Annotator(im0, line_width=2)

    results = model.track(im0, persist=True)

    if results[0].boxes.id is not None and results[0].masks is not None:
        masks = results[0].masks.xy
        track_ids = results[0].boxes.id.int().cpu().tolist()

        for mask, track_id in zip(masks, track_ids):
            color = colors(int(track_id), True)
            txt_color = annotator.get_txt_color(color)
            annotator.seg_bbox(mask=mask, mask_color=color, label=str(track_id), txt_color=txt_color)

    out.write(im0)
    cv2.imshow("instance-segmentation-object-tracking", im0)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

out.release()
cap.release()
cv2.destroyAllWindows()

seg_bbox Lập luận

TênKiểuMặc địnhSự miêu tả
maskarrayNoneTọa độ mặt nạ phân đoạn
mask_colorRGB(255, 0, 255)Màu mặt nạ cho mỗi hộp được phân đoạn
labelstrNoneNhãn cho đối tượng được phân đoạn
txt_colorRGBNoneMàu nhãn cho đối tượng được phân đoạn và theo dõi

Ghi

Đối với bất kỳ câu hỏi nào, vui lòng gửi câu hỏi của bạn trong Ultralytics Phần vấn đề hoặc phần thảo luận được đề cập bên dưới.

FAQ

Làm thế nào để tôi thực hiện phân đoạn phiên bản bằng cách sử dụng Ultralytics YOLO11 là gì?

Để thực hiện phân đoạn trường hợp bằng cách sử dụng Ultralytics YOLO11, khởi tạo YOLO mô hình với phiên bản phân đoạn của YOLO11 và xử lý các khung video thông qua nó. Sau đây là một ví dụ mã đơn giản:

Ví dụ

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

model = YOLO("yolo11n-seg.pt")  # segmentation model
cap = cv2.VideoCapture("path/to/video/file.mp4")
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

out = cv2.VideoWriter("instance-segmentation.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

while True:
    ret, im0 = cap.read()
    if not ret:
        break

    results = model.predict(im0)
    annotator = Annotator(im0, line_width=2)

    if results[0].masks is not None:
        clss = results[0].boxes.cls.cpu().tolist()
        masks = results[0].masks.xy
        for mask, cls in zip(masks, clss):
            annotator.seg_bbox(mask=mask, mask_color=colors(int(cls), True), det_label=model.model.names[int(cls)])

    out.write(im0)
    cv2.imshow("instance-segmentation", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

out.release()
cap.release()
cv2.destroyAllWindows()

Tìm hiểu thêm về phân đoạn phiên bản trong hướng dẫn Ultralytics YOLO11 .

Sự khác biệt giữa phân đoạn thể hiện và theo dõi đối tượng trong Ultralytics YOLO11 là gì?

Phân đoạn thể hiện xác định và phác thảo các đối tượng riêng lẻ trong một hình ảnh, cung cấp cho mỗi đối tượng một nhãn và mặt nạ duy nhất. Theo dõi đối tượng mở rộng điều này bằng cách gán nhãn nhất quán cho các đối tượng trên các khung hình video, tạo điều kiện theo dõi liên tục các đối tượng giống nhau theo thời gian. Tìm hiểu thêm về các điểm khác biệt trong tài liệu Ultralytics YOLO11 .

Tại sao tôi nên sử dụng Ultralytics Ví dụ như phân đoạn và theo dõi YOLO11 trên các mô hình khác như Mask R-CNN hoặc Faster R-CNN?

Ultralytics YOLO11 cung cấp hiệu suất thời gian thực, độ chính xác vượt trội và dễ sử dụng so với các mô hình khác như Mask R-CNN hoặc Faster R-CNN. YOLO11 cung cấp khả năng tích hợp liền mạch với Ultralytics HUB, cho phép người dùng quản lý các mô hình, tập dữ liệu và đường ống đào tạo hiệu quả. Khám phá thêm về lợi ích của YOLO11 trong blog Ultralytics .

Làm thế nào tôi có thể thực hiện theo dõi đối tượng bằng cách sử dụng Ultralytics YOLO11 là gì?

Để thực hiện theo dõi đối tượng, hãy sử dụng model.track và đảm bảo rằng ID của mỗi đối tượng được gán nhất quán trên các khung. Dưới đây là một ví dụ đơn giản:

Ví dụ

from collections import defaultdict

import cv2

from ultralytics import YOLO
from ultralytics.utils.plotting import Annotator, colors

track_history = defaultdict(lambda: [])

model = YOLO("yolo11n-seg.pt")  # segmentation model
cap = cv2.VideoCapture("path/to/video/file.mp4")
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

out = cv2.VideoWriter("instance-segmentation-object-tracking.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

while True:
    ret, im0 = cap.read()
    if not ret:
        break

    annotator = Annotator(im0, line_width=2)
    results = model.track(im0, persist=True)

    if results[0].boxes.id is not None and results[0].masks is not None:
        masks = results[0].masks.xy
        track_ids = results[0].boxes.id.int().cpu().tolist()

        for mask, track_id in zip(masks, track_ids):
            annotator.seg_bbox(mask=mask, mask_color=colors(track_id, True), track_label=str(track_id))

    out.write(im0)
    cv2.imshow("instance-segmentation-object-tracking", im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

out.release()
cap.release()
cv2.destroyAllWindows()

Tìm hiểu thêm trong phần Phân đoạn và theo dõi phiên bản.

Có bất kỳ tập dữ liệu nào được cung cấp bởi Ultralytics phù hợp để đào tạo các mô hình YOLO11 chẳng hạn như phân đoạn và theo dõi?

Đúng, Ultralytics cung cấp một số tập dữ liệu phù hợp để đào tạo các mô hình YOLO11, bao gồm các tập dữ liệu phân đoạn và theo dõi. Các ví dụ, cấu trúc và hướng dẫn sử dụng tập dữ liệu có thể được tìm thấy trong tài liệu Ultralytics Datasets .

📅 Được tạo cách đây 11 tháng ✏️ Đã cập nhật cách đây 1 tháng
UltralyticsTrợ lý Glenn-Jocher MatthewNoyce RizwanMunawar IvorZhu331

Ý kiến