Phân đoạn từng đối tượng với Ultralytics YOLO#

Phân đoạn từng đối tượng tiến thêm một bước so với phát hiện đối tượng, bao gồm việc xác định từng đối tượng riêng lẻ trong ảnh và phân đoạn chúng khỏi phần còn lại của ảnh.

Đầu ra của model phân đoạn từng đối tượng là một tập hợp các mask hoặc đường viền phác thảo từng đối tượng trong ảnh, cùng với nhãn lớp và điểm tin cậy cho mỗi đối tượng. Phân đoạn từng đối tượng hữu ích khi bạn cần biết không chỉ vị trí của các đối tượng trong ảnh mà còn cả hình dạng chính xác của chúng.

Models#

Các model Segment pretrained của YOLO26 được hiển thị tại đây. Các model Detect, Segment và Pose được pretrained trên dataset COCO, các model Ngữ nghĩa được pretrained trên Cityscapes, còn các model Classify được pretrained trên dataset ImageNet.

Models được tự động tải xuống từ bản phát hành mới nhất của Ultralytics trong lần sử dụng đầu tiên.

• Các giá trị mAP^val dành cho một model, một scale duy nhất trên tập dữ liệu COCO val2017.
  Tái tạo bằng yolo val segment data=coco.yaml device=0 nms=False
• Tốc độ được tính trung bình trên các ảnh COCO val bằng một instance Amazon EC2 P4d.
  Tái hiện bằng yolo val segment data=coco.yaml batch=1 device=0|cpu nms=False
• Params and FLOPs values are for fused models after Conv/BatchNorm folding and removal of the unused detection branch. Pretrained checkpoints retain the full training architecture and may show higher counts.

Các checkpoint này phân đoạn 80 lớp COCO. Để phân đoạn các danh mục nằm ngoài danh sách đó mà không cần retrain, hãy xem YOLOE, nhận các lớp dưới dạng prompt văn bản, ví dụ trực quan hoặc vocabulary tích hợp sẵn.

Xem phần bản xem trước YOLO27 chưa phát hành để biết các kết quả sơ bộ về bounding box và mask trên COCO.

Huấn luyện#

Train YOLO26n-seg trên dataset COCO8-seg trong 100 epoch với kích thước ảnh 640. Xem danh sách đầy đủ các tham số khả dụng trên trang Configuration.

from ultralytics import YOLO

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

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

Xem đầy đủ thông tin về mode train trên trang Train. Các model phân đoạn cũng có thể được train bằng Ultralytics Platform cloud training.

Định dạng dataset#

Định dạng tập dữ liệu phân đoạn YOLO có thể được tìm thấy chi tiết trong Dataset Guide. Để chuyển đổi tập dữ liệu COCO JSON hiện có sang định dạng YOLO, hãy sử dụng hàm convert_coco tích hợp sẵn với use_segments=True, như được mô tả trong COCO to YOLO guide. Bạn cũng có thể tạo mặt nạ phân đoạn với Ultralytics Platform annotation bằng cách sử dụng các công cụ đa giác và tính năng chú thích thông minh hỗ trợ bởi SAM.

Val#

Đánh giá độ chính xác của model YOLO26n-seg đã train trên dataset COCO8-seg. Không cần tham số nào vì model lưu giữ data và các tham số dùng trong quá trình train dưới dạng thuộc tính của model.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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 containing mAP50-95(B) for each category
metrics.box.image_metrics  # per-image metrics dictionary for det with precision, recall, F1, TP, FP, and FN
metrics.seg.map  # map50-95(M)
metrics.seg.map50  # map50(M)
metrics.seg.map75  # map75(M)
metrics.seg.maps  # a list containing mAP50-95(M) for each category
metrics.seg.image_metrics  # per-image metrics dictionary for seg with precision, recall, F1, TP, FP, and FN

Predict#

Sử dụng model YOLO26n-seg đã train để chạy dự đoán trên ảnh.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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

# Access the results
for result in results:
    xy = result.masks.xy  # mask polygons in pixel coordinates
    xyn = result.masks.xyn  # normalized mask polygons
    masks = result.masks.data  # binary masks, shape (N,H,W), dtype torch.uint8

Xem đầy đủ chi tiết về mode predict trên trang Predict.

Output kết quả#

Phân đoạn từng đối tượng YOLO trả về một đối tượng Results cho mỗi ảnh. Mỗi kết quả lưu trữ các dự đoán ở cấp đối tượng, trong đó mỗi instance được phát hiện có mask nhị phân, lớp, độ tin cậy và box riêng.

Để xem các field Results dành riêng cho từng task trên mọi task, hãy xem phần Predict Results by Task.

Phân đoạn này khác với phân đoạn ngữ nghĩa như thế nào#

Phân đoạn từng đối tượng là phân đoạn ở cấp đối tượng: hai chiếc xe tạo ra hai mask, hai box và hai điểm tin cậy. Phân đoạn ngữ nghĩa là phân loại ở cấp pixel: những chiếc xe đó trở thành các pixel có cùng ID lớp trong một bản đồ lớp có kích thước bằng ảnh, không có box, độ tin cậy hoặc danh sách polygon mặc định cho từng đối tượng.

Export#

Xuất model YOLO26n-seg sang một định dạng khác như ONNX, CoreML, v.v.

from ultralytics import YOLO

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

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

Các định dạng xuất YOLO26-seg khả dụng được liệt kê trong bảng bên dưới. Bạn có thể xuất sang bất kỳ định dạng nào bằng tham số format, tức là format='onnx' hoặc format='engine'. Bạn có thể dự đoán hoặc đánh giá trực tiếp trên các model đã xuất, tức là yolo predict model=yolo26n-seg.onnx. Các ví dụ sử dụng cho model của bạn sẽ được hiển thị sau khi quá trình xuất hoàn tất.

nms=None mặc định sử dụng đầu ra thô cho NMS bên ngoài. Thiết lập nms=False để chọn phần đầu không có NMS khả dụng; các định dạng không được hỗ trợ sẽ quay lại đường dẫn đầu ra gốc của chúng. Các mục nms ở trên xác định các định dạng có thể nhúng NMS bằng nms=True.

Xem đầy đủ chi tiết về export trên trang Export.

FAQ#