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 bằngyolo 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 bằngyolo 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
Dự đoán
Sử dụng một đào tạo YOLOv8n-seg mô hình để chạy dự đoán trên hình ảnh.
Ví dụ
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
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, int8, 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 |
| 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.
FAQ
Làm cách nào để đào tạo một YOLOv8 Mô hình phân đoạn trên tập dữ liệu tùy chỉnh?
Để đào tạo một YOLOv8 Mô hình phân đoạn trên tập dữ liệu tùy chỉnh, trước tiên bạn cần chuẩn bị tập dữ liệu của mình trong YOLO định dạng phân khúc. Bạn có thể sử dụng các công cụ như JSON2YOLO để chuyển đổi bộ dữ liệu từ các định dạng khác. Khi tập dữ liệu của bạn đã sẵn sàng, bạn có thể đào tạo mô hình bằng cách sử dụng Python hoặc CLI Lệnh:
Ví dụ
Kiểm tra trang Cấu hình để biết thêm các đối số có sẵn.
Sự khác biệt giữa phát hiện đối tượng và phân đoạn phiên bản trong là gì YOLOv8?
Phát hiện đối tượng xác định và bản địa hóa các đối tượng trong một hình ảnh bằng cách vẽ các hộp giới hạn xung quanh chúng, trong khi phân đoạn phiên bản không chỉ xác định các hộp giới hạn mà còn mô tả hình dạng chính xác của từng đối tượng. YOLOv8 Mô hình phân đoạn phiên bản cung cấp mặt nạ hoặc đường viền phác thảo từng đối tượng được phát hiện, đặc biệt hữu ích cho các tác vụ trong đó việc biết hình dạng chính xác của các đối tượng là quan trọng, chẳng hạn như hình ảnh y tế hoặc lái xe tự động.
Tại sao sử dụng YOLOv8 Ví dụ như phân khúc?
Ultralytics YOLOv8 là một mô hình hiện đại được công nhận với độ chính xác cao và hiệu suất thời gian thực, làm cho nó trở nên lý tưởng cho các tác vụ phân đoạn ví dụ. YOLOv8 Các mô hình phân khúc được đào tạo sẵn trên bộ dữ liệu COCO, đảm bảo hiệu suất mạnh mẽ trên nhiều đối tượng khác nhau. Ngoài ra YOLOv8 Hỗ trợ các chức năng đào tạo, xác nhận, dự đoán và xuất khẩu với tích hợp liền mạch, làm cho nó rất linh hoạt cho cả nghiên cứu và ứng dụng công nghiệp.
Làm cách nào để tải và xác thực một khóa đào tạo trước YOLOv8 Mô hình phân khúc?
Tải và xác thực một khóa đào tạo trước YOLOv8 Mô hình phân khúc rất đơn giản. Đây là cách bạn có thể làm điều đó bằng cách sử dụng cả hai: Python và CLI:
Ví dụ
Các bước này sẽ cung cấp cho bạn các chỉ số xác thực như Độ chính xác trung bình trung bình (mAP), rất quan trọng để đánh giá hiệu suất mô hình.
Làm cách nào để xuất một YOLOv8 Mô hình phân khúc để ONNX định dạng?
Xuất khẩu một YOLOv8 Mô hình phân khúc để ONNX Định dạng rất đơn giản và có thể được thực hiện bằng cách sử dụng Python hoặc CLI Lệnh:
Ví dụ
Để biết thêm chi tiết về cách xuất sang các định dạng khác nhau, hãy tham khảo trang Xuất .