YOLO Vision 2026:

Tiện ích Đơn giản#

YOLO model code with 3D perspective visualization

Gói ultralytics cung cấp nhiều tiện ích hỗ trợ, cải tiến và tăng tốc quy trình làm việc của bạn. Mặc dù có rất nhiều tiện ích khác, hướng dẫn này nêu bật những tiện ích hữu ích nhất cho nhà phát triển, đóng vai trò là tài liệu tham khảo thiết thực cho việc lập trình với các công cụ Ultralytics.



Watch: Ultralytics Utilities | Auto Annotation, Explorer API and Dataset Conversion

Dữ liệu#

Tự động Gán nhãn / Chú thích#

Chú thích tập dữ liệu là một quá trình tốn nhiều tài nguyên và thời gian. Nếu bạn có một mô hình phát hiện đối tượng Ultralytics YOLO được huấn luyện trên một lượng dữ liệu hợp lý, bạn có thể sử dụng mô hình này với SAM để tự động chú thích thêm dữ liệu ở định dạng phân đoạn.

from ultralytics.data.annotator import auto_annotate

auto_annotate(
    data="path/to/new/data",
    det_model="yolo26n.pt",
    sam_model="mobile_sam.pt",
    device="cuda",
    output_dir="path/to/save_labels",
)

Hàm này không trả về giá trị nào. Để biết thêm chi tiết:

Trực quan hóa Chú thích Tập dữ liệu#

Hàm này trực quan hóa các chú thích YOLO trên hình ảnh trước khi huấn luyện, giúp xác định và sửa chữa bất kỳ chú thích sai nào có thể dẫn đến kết quả phát hiện không chính xác. Nó vẽ các khung bao, dán nhãn đối tượng bằng tên lớp và điều chỉnh màu chữ dựa trên độ sáng của nền để tăng khả năng đọc.

from ultralytics.data.utils import visualize_image_annotations

label_map = {  # Define the label map with all annotated class labels.
    0: "person",
    1: "car",
}

# Visualize
visualize_image_annotations(
    "path/to/image.jpg",  # Input image path.
    "path/to/annotations.txt",  # Annotation file path for the image.
    label_map,
)

Chuyển đổi Mặt nạ Phân đoạn sang Định dạng YOLO#

Segmentation Masks to YOLO Format

Sử dụng tính năng này để chuyển đổi một tập dữ liệu chứa các ảnh mặt nạ phân đoạn sang định dạng phân đoạn Ultralytics YOLO. Hàm này nhận thư mục chứa các ảnh mặt nạ định dạng nhị phân và chuyển đổi chúng sang định dạng phân đoạn YOLO.

Các mặt nạ đã chuyển đổi sẽ được lưu vào thư mục đầu ra đã chỉ định.

from ultralytics.data.converter import convert_segment_masks_to_yolo_seg

# The classes here is the total classes in the dataset.
# for COCO dataset we have 80 classes.
convert_segment_masks_to_yolo_seg(masks_dir="path/to/masks_dir", output_dir="path/to/output_dir", classes=80)

Chuyển đổi COCO sang Định dạng YOLO#

Sử dụng tính năng này để chuyển đổi các chú thích JSON COCO sang định dạng YOLO. Đối với các tập dữ liệu phát hiện đối tượng (hộp bao), hãy đặt cả use_segments và use_keypoints thành False.

from ultralytics.data.converter import convert_coco

convert_coco(
    "coco/annotations/",
    use_segments=False,
    use_keypoints=False,
    cls91to80=True,
)

Để biết thêm thông tin về hàm convert_coco, hãy truy cập trang tài liệu tham khảo.

Lấy Kích thước Khung bao#

import cv2

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

model = YOLO("yolo26n.pt")  # Load pretrain or fine-tune model

# Process the image
source = cv2.imread("path/to/image.jpg")
results = model(source)

# Extract results
annotator = Annotator(source, example=model.names)

for box in results[0].boxes.xyxy.cpu():
    width, height, area = annotator.get_bbox_dimension(box)
    print(f"Bounding Box Width {width.item()}, Height {height.item()}, Area {area.item()}")

Chuyển đổi Khung bao sang Phân đoạn#

Với dữ liệu hộp bao x y w h hiện có, hãy chuyển đổi sang dạng phân đoạn bằng hàm yolo_bbox2segment. Sắp xếp các tệp hình ảnh và chú thích như sau:

data
|__ images
    ├─ 001.jpg
    ├─ 002.jpg
    ├─ ..
    └─ NNN.jpg
|__ labels
    ├─ 001.txt
    ├─ 002.txt
    ├─ ..
    └─ NNN.txt
from ultralytics.data.converter import yolo_bbox2segment

yolo_bbox2segment(
    im_dir="path/to/images",
    save_dir=None,  # saved to "labels-segment" in images directory
    sam_model="sam_b.pt",
)

Truy cập trang tài liệu tham khảo yolo_bbox2segment để biết thêm thông tin về hàm này.

Chuyển đổi Phân đoạn sang Khung bao#

Nếu bạn có một tập dữ liệu sử dụng định dạng tập dữ liệu phân đoạn, bạn có thể dễ dàng chuyển đổi chúng thành các hộp bao thẳng đứng (hoặc nằm ngang) (định dạng x y w h) bằng hàm này.

import numpy as np

from ultralytics.utils.ops import segments2boxes

segments = np.array(
    [
        [805, 392, 797, 400, 812, 402, 808, 714, 808, 392],
        [115, 398, 113, 400, 150, 410, 150, 400, 149, 298],
        [267, 412, 265, 413, 300, 420, 300, 413, 299, 412],
    ],
    dtype=np.float32,
)

segments2boxes([s.reshape(-1, 2) for s in segments])
# >>> array([[804.5, 553. ,  15. , 322. ],
#           [131.5, 354. ,  37. , 112. ],
#           [282.5, 416. ,  35. ,   8. ]],
#           dtype=float32) # xywh bounding boxes

Để hiểu cách hoạt động của hàm này, hãy truy cập trang tài liệu tham khảo.

Tiện ích#

Nén Hình ảnh#

Nén một tệp hình ảnh đơn lẻ xuống kích thước nhỏ hơn trong khi vẫn giữ nguyên tỷ lệ khung hình và chất lượng. Nếu hình ảnh đầu vào nhỏ hơn kích thước tối đa, nó sẽ không được thay đổi kích thước.

from pathlib import Path

from ultralytics.data.utils import compress_one_image

for f in Path("path/to/dataset").rglob("*.jpg"):
    compress_one_image(f)

Tự động chia Tập dữ liệu#

Tự động chia tập dữ liệu thành các tập train/val/test và lưu các tập kết quả vào các tệp autosplit_*.txt. Hàm này sử dụng phương pháp lấy mẫu ngẫu nhiên, phương pháp này sẽ bị loại trừ khi sử dụng đối số fraction để huấn luyện.

from ultralytics.data.split import autosplit

autosplit(
    path="path/to/images",
    weights=(0.9, 0.1, 0.0),  # (train, validation, test) fractional splits
    annotated_only=False,  # split only images with annotation file when True
)

Xem Trang tài liệu tham khảo để biết thêm chi tiết về hàm này.

Đa giác Phân đoạn sang Mặt nạ Nhị phân#

Chuyển đổi một đa giác đơn (dưới dạng một danh sách) thành một mặt nạ nhị phân có kích thước ảnh được chỉ định. Đa giác phải là một mảng 1D phẳng gồm các tọa độ N liệt kê các giá trị x, y luân phiên xác định đường viền đa giác.

Cảnh báo

N phải luôn luôn là số chẵn.

import numpy as np

from ultralytics.data.utils import polygon2mask

imgsz = (1080, 810)
polygon = np.array([805, 392, 797, 400, ..., 808, 714, 808, 392])  # (238, 2)

mask = polygon2mask(
    imgsz,  # tuple
    [polygon],  # input as list
    color=255,  # 8-bit binary
    downsample_ratio=1,
)

Khung bao#

Các thực thể Khung bao (Nằm ngang)#

Để quản lý dữ liệu hộp bao, lớp Bboxes giúp chuyển đổi giữa các định dạng tọa độ hộp, thay đổi kích thước hộp, tính toán diện tích, bao gồm các độ lệch và hơn thế nữa.

import numpy as np

from ultralytics.utils.instance import Bboxes

boxes = Bboxes(
    bboxes=np.array(
        [
            [22.878, 231.27, 804.98, 756.83],
            [48.552, 398.56, 245.35, 902.71],
            [669.47, 392.19, 809.72, 877.04],
            [221.52, 405.8, 344.98, 857.54],
            [0, 550.53, 63.01, 873.44],
            [0.0584, 254.46, 32.561, 324.87],
        ]
    ),
    format="xyxy",
)

boxes.areas()
# >>> array([ 4.1104e+05,       99216,       68000,       55772,       20347,      2288.5])

boxes.convert("xywh")
print(boxes.bboxes)
# >>> array(
#     [[ 413.93, 494.05,  782.1, 525.56],
#      [ 146.95, 650.63,  196.8, 504.15],
#      [  739.6, 634.62, 140.25, 484.85],
#      [ 283.25, 631.67, 123.46, 451.74],
#      [ 31.505, 711.99,  63.01, 322.91],
#      [  16.31, 289.67, 32.503,  70.41]]
# )

Xem phần tài liệu tham khảo Bboxes để biết thêm các thuộc tính và phương thức.

Mẹo

Nhiều hàm sau đây (và nhiều hàm khác) có thể được truy cập bằng lớp Bboxes, nhưng nếu bạn thích làm việc trực tiếp với các hàm, hãy xem các tiểu mục tiếp theo về cách nhập chúng một cách độc lập.

Thay đổi tỷ lệ Khung#

Khi phóng to hoặc thu nhỏ một ảnh, bạn có thể điều chỉnh tỷ lệ tọa độ hộp bao tương ứng cho khớp bằng cách sử dụng ultralytics.utils.ops.scale_boxes.

import cv2 as cv
import numpy as np

from ultralytics.utils.ops import scale_boxes

image = cv.imread("ultralytics/assets/bus.jpg")
h, w, c = image.shape
resized = cv.resize(image, None, (), fx=1.2, fy=1.2)
new_h, new_w, _ = resized.shape

xyxy_boxes = np.array(
    [
        [22.878, 231.27, 804.98, 756.83],
        [48.552, 398.56, 245.35, 902.71],
        [669.47, 392.19, 809.72, 877.04],
        [221.52, 405.8, 344.98, 857.54],
        [0, 550.53, 63.01, 873.44],
        [0.0584, 254.46, 32.561, 324.87],
    ]
)

new_boxes = scale_boxes(
    img1_shape=(h, w),  # original image dimensions
    boxes=xyxy_boxes,  # boxes from original image
    img0_shape=(new_h, new_w),  # resized image dimensions (scale to)
    ratio_pad=None,
    padding=False,
    xywh=False,
)

print(new_boxes)
# >>> array(
#     [[  27.454,  277.52,  965.98,   908.2],
#     [   58.262,  478.27,  294.42,  1083.3],
#     [   803.36,  470.63,  971.66,  1052.4],
#     [   265.82,  486.96,  413.98,    1029],
#     [        0,  660.64,  75.612,  1048.1],
#     [   0.0701,  305.35,  39.073,  389.84]]
# )

Chuyển đổi Định dạng Khung bao#

XYXY → XYWH#

Chuyển đổi tọa độ khung bao từ định dạng (x1, y1, x2, y2) sang định dạng (x, y, width, height), trong đó (x1, y1) là góc trên bên trái và (x2, y2) là góc dưới bên phải.

import numpy as np

from ultralytics.utils.ops import xyxy2xywh

xyxy_boxes = np.array(
    [
        [22.878, 231.27, 804.98, 756.83],
        [48.552, 398.56, 245.35, 902.71],
        [669.47, 392.19, 809.72, 877.04],
        [221.52, 405.8, 344.98, 857.54],
        [0, 550.53, 63.01, 873.44],
        [0.0584, 254.46, 32.561, 324.87],
    ]
)
xywh = xyxy2xywh(xyxy_boxes)

print(xywh)
# >>> array(
#     [[ 413.93,  494.05,   782.1, 525.56],
#     [  146.95,  650.63,   196.8, 504.15],
#     [   739.6,  634.62,  140.25, 484.85],
#     [  283.25,  631.67,  123.46, 451.74],
#     [  31.505,  711.99,   63.01, 322.91],
#     [   16.31,  289.67,  32.503,  70.41]]
# )

Tất cả các Chuyển đổi Khung bao#

from ultralytics.utils.ops import (
    ltwh2xywh,
    ltwh2xyxy,
    xywh2ltwh,  # xywh → top-left corner, w, h
    xywh2xyxy,
    xywhn2xyxy,  # normalized → pixel
    xyxy2ltwh,  # xyxy → top-left corner, w, h
    xyxy2xywhn,  # pixel → normalized
)

for func in (ltwh2xywh, ltwh2xyxy, xywh2ltwh, xywh2xyxy, xywhn2xyxy, xyxy2ltwh, xyxy2xywhn):
    print(help(func))  # print function docstrings

Xem docstring cho mỗi hàm hoặc truy cập trang tham khảo ultralytics.utils.ops để đọc thêm.

Vẽ (Plotting)#

Các tiện ích chú thích#

Ultralytics bao gồm một lớp Annotator để chú thích các loại dữ liệu khác nhau. Lớp này hoạt động tốt nhất với các hộp bao phát hiện đối tượng, các điểm mốc tư thế (pose keypoints) và các hộp bao định hướng (oriented bounding boxes).

Chú thích Khung#

Các ví dụ Python sử dụng Ultralytics YOLO 🚀
import cv2 as cv
import numpy as np

from ultralytics.utils.plotting import Annotator, colors

names = {
    0: "person",
    5: "bus",
    11: "stop sign",
}

image = cv.imread("ultralytics/assets/bus.jpg")
ann = Annotator(
    image,
    line_width=None,  # default auto-size
    font_size=None,  # default auto-size
    font="Arial.ttf",  # must be ImageFont compatible
    pil=False,  # use PIL, otherwise uses OpenCV
)

xyxy_boxes = np.array(
    [
        [5, 22.878, 231.27, 804.98, 756.83],  # class-idx x1 y1 x2 y2
        [0, 48.552, 398.56, 245.35, 902.71],
        [0, 669.47, 392.19, 809.72, 877.04],
        [0, 221.52, 405.8, 344.98, 857.54],
        [0, 0, 550.53, 63.01, 873.44],
        [11, 0.0584, 254.46, 32.561, 324.87],
    ]
)

for nb, box in enumerate(xyxy_boxes):
    c_idx, *box = box
    label = f"{str(nb).zfill(2)}:{names.get(int(c_idx))}"
    ann.box_label(box, label, color=colors(c_idx, bgr=True))

image_with_bboxes = ann.result()

Có thể sử dụng tên từ model.names khi làm việc với kết quả phát hiện. Ngoài ra, hãy xem Trang tài liệu tham khảo Annotator để có thêm thông tin chi tiết.

Chú thích Quét Ultralytics#

Chú thích Quét sử dụng các Tiện ích Ultralytics
import sys

import cv2
import numpy as np

from ultralytics import YOLO
from ultralytics.solutions.solutions import SolutionAnnotator
from ultralytics.utils.plotting import colors

# User defined video path and model file
cap = cv2.VideoCapture("path/to/video.mp4")
model = YOLO(model="yolo26s-seg.pt")  # Model file, e.g., yolo26s.pt or yolo26m-seg.pt

if not cap.isOpened():
    print("Error: Could not open video.")
    sys.exit()

# Initialize the video writer object.
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
video_writer = cv2.VideoWriter("ultralytics.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

masks = None  # Initialize variable to store masks data
f = 0  # Initialize frame count variable for enabling mouse event.
line_x = w  # Store width of line.
dragging = False  # Initialize bool variable for line dragging.
classes = model.names  # Store model classes names for plotting.
window_name = "Ultralytics Sweep Annotator"

def drag_line(event, x, _, flags, param):
    """Mouse callback function to enable dragging a vertical sweep line across the video frame."""
    global line_x, dragging
    if event == cv2.EVENT_LBUTTONDOWN or (flags & cv2.EVENT_FLAG_LBUTTON):
        line_x = max(0, min(x, w))
        dragging = True

while cap.isOpened():  # Loop over the video capture object.
    ret, im0 = cap.read()
    if not ret:
        break
    f = f + 1  # Increment frame count.
    count = 0  # Re-initialize count variable on every frame for precise counts.
    results = model.track(im0, persist=True)[0]

    if f == 1:
        cv2.namedWindow(window_name)
        cv2.setMouseCallback(window_name, drag_line)

    annotator = SolutionAnnotator(im0)

    if results.boxes.is_track:
        if results.masks is not None:
            masks = [np.array(m, dtype=np.int32) for m in results.masks.xy]

        boxes = results.boxes.xyxy.tolist()
        track_ids = results.boxes.id.int().cpu().tolist()
        clss = results.boxes.cls.cpu().tolist()

        for mask, box, cls, t_id in zip(masks or [None] * len(boxes), boxes, clss, track_ids):
            color = colors(t_id, True)  # Assign different color to each tracked object.
            label = f"{classes[cls]}:{t_id}"
            if mask is not None and mask.size > 0:
                if box[0] > line_x:
                    count += 1
                    cv2.polylines(im0, [mask], True, color, 2)
                    x, y = mask.min(axis=0)
                    (w_m, _), _ = cv2.getTextSize(label, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 1)
                    cv2.rectangle(im0, (x, y - 20), (x + w_m, y), color, -1)
                    cv2.putText(im0, label, (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 1)
            else:
                if box[0] > line_x:
                    count += 1
                    annotator.box_label(box=box, color=color, label=label)

    # Generate draggable sweep line
    annotator.sweep_annotator(line_x=line_x, line_y=h, label=f"COUNT:{count}")

    cv2.imshow(window_name, im0)
    video_writer.write(im0)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

# Release the resources
cap.release()
video_writer.release()
cv2.destroyAllWindows()

Tìm thêm chi tiết về phương thức sweep_annotator trong phần tài liệu tham khảo của chúng tôi tại đây.

Chú thích nhãn thích ứng#

Cảnh báo

Bắt đầu từ Ultralytics v8.3.167, circle_label và text_label đã được thay thế bằng hàm adaptive_label hợp nhất. Giờ đây, bạn có thể chỉ định loại chú thích bằng đối số shape:

  • Hình chữ nhật: annotator.adaptive_label(box, label=names[int(cls)], color=colors(cls, True), shape="rect")
  • Hình tròn: annotator.adaptive_label(box, label=names[int(cls)], color=colors(cls, True), shape="circle")


Watch: In-Depth Guide to Text & Circle Annotations with Python Live Demos | Ultralytics Annotations 🚀
Chú thích nhãn thích ứng sử dụng Tiện ích Ultralytics
import cv2

from ultralytics import YOLO
from ultralytics.solutions.solutions import SolutionAnnotator
from ultralytics.utils.plotting import colors

model = YOLO("yolo26s.pt")
names = model.names
cap = cv2.VideoCapture("path/to/video.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))
writer = cv2.VideoWriter("Ultralytics circle annotation.avi", cv2.VideoWriter_fourcc(*"MJPG"), fps, (w, h))

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

    annotator = SolutionAnnotator(im0)
    results = model.predict(im0)[0]
    boxes = results.boxes.xyxy.cpu()
    clss = results.boxes.cls.cpu().tolist()

    for box, cls in zip(boxes, clss):
        annotator.adaptive_label(box, label=names[int(cls)], color=colors(cls, True), shape="circle")
    writer.write(im0)
    cv2.imshow("Ultralytics circle annotation", im0)

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

writer.release()
cap.release()
cv2.destroyAllWindows()

Xem Trang tài liệu tham khảo SolutionAnnotator để biết thêm thông tin chi tiết.

Khác#

Cấu hình Mã (Profiling)#

Kiểm tra thời gian chạy/xử lý mã bằng cách sử dụng with hoặc dưới dạng một trình trang trí (decorator).

from ultralytics.utils.ops import Profile

with Profile(device="cuda:0") as dt:
    pass  # operation to measure

print(dt)
# >>> "Elapsed time is 9.5367431640625e-07 s"

Các định dạng được hỗ trợ bởi Ultralytics#

Cần sử dụng theo chương trình các định dạng hình ảnh hoặc video được hỗ trợ trong Ultralytics? Hãy sử dụng các hằng số này nếu cần:

from ultralytics.data.utils import IMG_FORMATS, VID_FORMATS

print(IMG_FORMATS)
# {'avif', 'bmp', 'dng', 'heic', 'heif', 'jp2', 'jpeg', 'jpg', 'mpo', 'png', 'tif', 'tiff', 'webp'}

print(VID_FORMATS)
# {'asf', 'avi', 'gif', 'm4v', 'mkv', 'mov', 'mp4', 'mpeg', 'mpg', 'ts', 'wmv', 'webm'}

Làm cho chia hết (Make Divisible)#

Tính toán số nguyên nhỏ nhất lớn hơn hoặc bằng x và chia hết cho y.

from ultralytics.utils.ops import make_divisible

make_divisible(7, 3)
# >>> 9
make_divisible(7, 2)
# >>> 8

Câu hỏi thường gặp#

Những tiện ích nào được bao gồm trong gói Ultralytics để nâng cao quy trình làm việc học máy?#

Gói Ultralytics bao gồm các tiện ích được thiết kế để hợp lý hóa và tối ưu hóa các quy trình học máy. Các tiện ích chính bao gồm tự động chú thích để gán nhãn tập dữ liệu, chuyển đổi COCO sang định dạng YOLO bằng convert_coco, nén hình ảnh và tự động chia tách tập dữ liệu. Các công cụ này giúp giảm bớt công sức thủ công, đảm bảo tính nhất quán và nâng cao hiệu quả xử lý dữ liệu.

Làm thế nào để sử dụng Ultralytics để tự động gắn nhãn tập dữ liệu của tôi?#

Nếu bạn có một mô hình phát hiện đối tượng Ultralytics YOLO đã huấn luyện trước, bạn có thể sử dụng mô hình này với mô hình SAM để tự động chú thích tập dữ liệu của bạn ở định dạng phân đoạn. Dưới đây là một ví dụ:

from ultralytics.data.annotator import auto_annotate

auto_annotate(
    data="path/to/new/data",
    det_model="yolo26n.pt",
    sam_model="mobile_sam.pt",
    device="cuda",
    output_dir="path/to/save_labels",
)

Để biết thêm chi tiết, hãy xem phần tài liệu tham khảo auto_annotate, hoặc sử dụng Ultralytics Platform như một giải pháp thay thế được lưu trữ, không cần mã với tính năng tạo mặt nạ dựa trên cú nhấp chuột qua SAM 2.1 hoặc SAM 3, hoặc các dự đoán từ các mô hình YOLO được huấn luyện trước và tinh chỉnh cho các tác vụ detect, segment và OBB.

Làm thế nào để chuyển đổi các chú thích tập dữ liệu COCO sang định dạng YOLO trong Ultralytics?#

Để chuyển đổi các chú thích JSON COCO sang định dạng YOLO cho việc phát hiện đối tượng, bạn có thể sử dụng tiện ích convert_coco. Dưới đây là một đoạn mã mẫu:

from ultralytics.data.converter import convert_coco

convert_coco(
    "coco/annotations/",
    use_segments=False,
    use_keypoints=False,
    cls91to80=True,
)

Để biết thêm thông tin, hãy truy cập trang tài liệu tham khảo convert_coco.

Làm thế nào để phân tích thành phần và phân phối tập dữ liệu của tôi?#

Ultralytics Platform cung cấp tính năng phân tích tập dữ liệu tự động: tab Charts hiển thị phân phối phân tách, số lượng lớp hàng đầu, biểu đồ tần suất kích thước ảnh và bản đồ nhiệt 2D về vị trí chú thích, giúp bạn phát hiện sự mất cân bằng và các điểm ngoại lai trước khi huấn luyện.

Làm thế nào để chuyển đổi khung bao sang phân đoạn trong Ultralytics?#

Để chuyển đổi dữ liệu hộp bao hiện có (ở định dạng x y w h) sang dạng phân đoạn, bạn có thể sử dụng hàm yolo_bbox2segment. Đảm bảo các tệp của bạn được tổ chức với các thư mục riêng biệt cho hình ảnh và nhãn.

from ultralytics.data.converter import yolo_bbox2segment

yolo_bbox2segment(
    im_dir="path/to/images",
    save_dir=None,  # saved to "labels-segment" in the images directory
    sam_model="sam_b.pt",
)

Để biết thêm thông tin, hãy truy cập trang tài liệu tham khảo yolo_bbox2segment.

Người đóng góp
GLglenn-jocher24RIRizwanMunawar16RAraimbekovm6AMambitious-octopus2LALaughing-q2BUBurhan-Q2PDpderrenger1MGmgcrea1LEleonnil1IVIvorZhu3311

Bình luận