Bỏ để qua phần nội dung

Phân đoạn phiên bản

Ví dụ về phân đoạn phiên bản

Phân đoạn phiên bản đi một bước xa hơn so với phát hiện đối tượng và liên quan đến việc xác định các đối tượng riêng lẻ trong một hình ảnh và phân đoạn chúng từ phần còn lại của hình ảnh.

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



Xem: Chạy phân đoạn với Pre-Trained Ultralytics YOLOv8 Mô hình trong Python.

Mẹo

YOLOv8 Các mô hình phân khúc sử dụng -seg hậu tố, tức là yolov8n-seg.pt và được đào tạo trước về COCO.

Mô hình

YOLOv8 Các mô hình Phân đoạn được đào tạo trước được hiển thị ở đây. Các mô hình Phát hiện, Phân đoạn và Tư thế được đào tạo trước trên tập dữ liệu COCO , trong khi các mô hình Phân loại được đào tạo trước trên tập dữ liệu ImageNet .

Mô hình tải xuống tự động từ phiên bản mới nhất Ultralytics phát hành vào lần sử dụng đầu tiên.

Mẫu kích thước
(điểm ảnh)		 bản đồhộp
50-95		 bản đồmặt nạ
50-95		 Tốc độ
CPU ONNX
(Cô)		 Tốc độ
A100 TensorRT
(Cô)		 Params
(M)		 Flops
(B)
YOLOv8n-Seg 640 36.7 30.5 96.1 1.21 3.4 12.6
YOLOv8s-Seg 640 44.6 36.8 155.7 1.47 11.8 42.6
YOLOv8m-Seg 640 49.9 40.8 317.0 2.18 27.3 110.2
YOLOv8l-Seg 640 52.3 42.6 572.4 2.79 46.0 220.5
YOLOv8x-Seg 640 53.4 43.4 712.1 4.02 71.8 344.1
  • mAPval Các giá trị dành cho thang đo đơn mô hình đơn trên COCO val2017 tập dữ liệu.
    Sinh sản bằng yolo val segment data=coco.yaml device=0
  • Tốc độ tính trung bình trên hình ảnh COCO val bằng cách sử dụng một Amazon EC2 P4d ví dụ.
    Sinh sản bằng yolo val segment data=coco8-seg.yaml batch=1 device=0|cpu

Xe lửa

Xe lửa YOLOv8n-seg trên tập dữ liệu COCO128-SEG cho 100 kỷ nguyên ở kích thước hình ảnh 640. Để biết danh sách đầy đủ các đối số có sẵn, hãy xem trang Cấu hình .

Ví dụ

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-seg.yaml')  # build a new model from YAML
model = YOLO('yolov8n-seg.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n-seg.yaml').load('yolov8n.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=yolov8n-seg.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolov8n-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=yolov8n-seg.yaml pretrained=yolov8n-seg.pt epochs=100 imgsz=640

Định dạng tập dữ liệu

YOLO định dạng tập dữ liệu phân đoạn có thể được tìm thấy chi tiết trong Hướng dẫn tập dữ liệu. Để chuyển đổi tập dữ liệu hiện có của bạn từ các định dạng khác (như COCO, v.v.) sang YOLO , vui lòng sử dụng công cụ JSON2YOLO bằng cách Ultralytics.

Val

Xác thực đào tạo YOLOv8nĐộ chính xác của mô hình SEG trên tập dữ liệu COCO128-SEG. Không cần phải thông qua tranh luận như model duy trì đào tạo data và các đối số làm thuộc tính mô hình.

Ví dụ

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-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=yolov8n-seg.pt  # val official model
yolo segment val model=path/to/best.pt  # val custom model

Dự đoán

Sử dụng một đào tạo YOLOv8n-seg mô hình để chạy dự đoán trên hình ảnh.

Ví dụ

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-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=yolov8n-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

Xem đầy đủ predict Chi tiết chế độ trong Dự đoán trang.

Xuất khẩu

Xuất một YOLOv8n-seg mô hình sang một định dạng khác như ONNX, CoreMLv.v.

Ví dụ

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-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=yolov8n-seg.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

Có sẵn YOLOv8Các định dạng xuất -SEG nằm trong bảng dưới đây. Bạn có thể xuất sang bất kỳ định dạng nào bằng cách sử dụng format lập luận, tức là format='onnx' hoặc format='engine'. Bạn có thể dự đoán hoặc xác thực trực tiếp trên các mô hình đã xuất, tức là yolo predict model=yolov8n-seg.onnx. Ví dụ sử dụng được hiển thị cho mô hình của bạn sau khi xuất hoàn tất.

Định dạng format Lý lẽ Mẫu Siêu dữ liệu Lập luận
PyTorch - yolov8n-seg.pt ✅ -
TorchScript torchscript yolov8n-seg.torchscript ✅ imgsz, optimize, batch
ONNX onnx yolov8n-seg.onnx ✅ imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n-seg_openvino_model/ ✅ imgsz, half, int8, batch
TensorRT engine yolov8n-seg.engine ✅ imgsz, half, dynamic, simplify, workspace, batch
CoreML coreml yolov8n-seg.mlpackage ✅ imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n-seg_saved_model/ ✅ imgsz, keras, int8, batch
TF GraphDef pb yolov8n-seg.pb ❌ imgsz, batch
TF Lite tflite yolov8n-seg.tflite ✅ imgsz, half, int8, batch
TF Cạnh TPU edgetpu yolov8n-seg_edgetpu.tflite ✅ imgsz, batch
TF.Js tfjs yolov8n-seg_web_model/ ✅ imgsz, half, int8, batch
PaddlePaddle paddle yolov8n-seg_paddle_model/ ✅ imgsz, batch
NCNN ncnn yolov8n-seg_ncnn_model/ ✅ imgsz, half, batch

Xem đầy đủ export Chi tiết trong Xuất khẩu trang.



Đã tạo 2023-11-12, Cập nhật 2024-04-27
Tác giả: glenn-jocher (14), Burhan-Q (1), Laughing-q (1), AyushExel (1)

Ý kiến