在 GitHub 上编辑页面 (EN)

实例分割数据集概览

实例分割是一项计算机视觉任务，涉及识别和勾勒图像中的单个对象。本指南概述了 Ultralytics YOLO 支持的用于实例分割任务的数据集格式，以及如何准备、转换和使用这些数据集来训练模型。

支持的数据集格式

Ultralytics YOLO 格式

用于训练 YOLO 分割模型的数据集标签格式如下：

  1. 每张图像对应一个文本文件：数据集中的每张图像都有一个对应的文本文件，文件名与图像文件相同，扩展名为 ".txt"。
  2. 每个对象占一行：文本文件中的每一行对应图像中的一个对象实例。
  3. 每行包含的对象信息：每一行包含有关该对象实例的以下信息：
    • 对象类别索引：表示对象类别的整数（例如，0 表示人，1 表示汽车等）。
    • 对象边界坐标：掩码区域周围的边界坐标，归一化至 0 到 1 之间。

分割数据集文件中单行的格式如下：

<class-index> <x1> <y1> <x2> <y2> ... <xn> <yn>

在此格式中，<class-index> 是对象的类别索引，<x1> <y1> <x2> <y2> ... <xn> <yn> 是对象分割掩码的归一化多边形坐标（值是相对于图像宽度和高度的 [0, 1]）。坐标以空格分隔。

这是一个 YOLO 数据集格式示例，用于单个图像，其中包含两个对象，分别由 3 点分割和 5 点分割组成。

0 0.681 0.485 0.670 0.487 0.676 0.487
1 0.504 0.000 0.501 0.004 0.498 0.004 0.493 0.010 0.492 0.0104
提示
  • 每一行的长度不必相等。
  • 每个分割标签必须具有至少 3 个 (x, y) 点：<class-index> <x1> <y1> <x2> <y2> <x3> <y3>

数据集 YAML 格式

Ultralytics 框架使用 YAML 文件格式来定义用于训练分割模型的数据集和模型配置。以下是用于定义分割数据集的 YAML 格式示例：

ultralytics/cfg/datasets/coco8-seg.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-seg dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg/
# Example usage: yolo train data=coco8-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-seg ← downloads here (1 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco8-seg # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-seg.zip

train 和 val 字段分别指定包含训练图像和验证图像的目录路径。

names 是一个类别名称字典。名称的顺序应与 YOLO 数据集文件中对象类别索引的顺序相匹配。

使用方法

示例
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

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

支持的数据集

Ultralytics YOLO 支持多种实例分割任务数据集。以下是最常用数据集的列表：

  • Carparts-seg：一个专注于汽车零部件分割的专用数据集，非常适合汽车应用。它包括各种车辆以及单个汽车组件的详细注释。
  • COCO：一个用于 object detection、分割和字幕生成的综合数据集，包含超过 20 万张涵盖广泛类别的标记图像。
  • COCO8-seg：COCO 的一个小型 8 图像子集，专为快速测试分割模型训练而设计，非常适合 ultralytics 存储库中的 CI 检查和工作流验证。
  • COCO128-seg：一个用于 instance segmentation 任务的较小数据集，包含 128 张带有分割注释的 COCO 图像子集。
  • Crack-seg：专为各种表面裂缝分割量身定制的数据集。它对基础设施维护和质量控制至关重要，提供了用于训练识别结构缺陷模型的详细图像。
  • Package-seg：一个致力于不同类型包装材料和形状分割的数据集。它对于物流和仓库自动化特别有用，有助于开发用于包裹处理和分拣的系统。

添加你自己的数据集

如果你有自己的数据集并想使用 Ultralytics YOLO 格式来训练分割模型，请确保它遵循上述 "Ultralytics YOLO format" 下指定的格式。将你的注释转换为所需格式，并在 YAML 配置文件中指定路径、类别数量和类别名称。保持 images/ 和 labels/ 为同一层级的独立文件夹，并具有匹配的子文件夹结构；将标签 .txt 文件放入图像文件夹可能会导致模型漏掉标签。

移植或转换标签格式

COCO 数据集格式转 YOLO 格式

你可以使用以下代码片段轻松地将流行的 COCO 数据集格式的标签转换为 YOLO 格式：

示例
from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/", use_segments=True)

此转换工具可用于将 COCO 数据集或任何 COCO 格式的数据集转换为 Ultralytics YOLO 格式。

记得仔细检查你要使用的数据集是否与你的模型兼容，并遵循必要的格式规范。格式正确的数据集对于训练成功的分割模型至关重要。

自动标注

Auto-annotation 是一项重要功能，允许你使用预训练的检测模型生成分割数据集。它使你能够快速且准确地标注大量图像，而无需手动标注，从而节省时间和精力。

使用检测模型生成分割数据集

要使用 Ultralytics 框架自动标注你的数据集，你可以按如下方式使用 auto_annotate 函数：

示例
from ultralytics.data.annotator import auto_annotate

auto_annotate(data="path/to/images", det_model="yolo26x.pt", sam_model="sam_b.pt")
参数类型默认值描述
datastr必需包含用于标注或分割的目标图像的目录路径。
det_modelstr'yolo26x.pt'用于初始对象检测的 YOLO 检测模型路径。
sam_modelstr'sam_b.pt'用于分割的 SAM 模型路径（支持 SAM、SAM2 变体和 MobileSAM 模型）。
devicestr''计算设备（例如 'cuda:0'、'cpu'，或 '' 用于自动设备检测）。
conffloat0.25用于过滤弱检测的 YOLO 检测置信度阈值。
ioufloat0.45用于非极大值抑制（NMS）以过滤重叠框的 IoU 阈值。
imgszint640调整图像大小的输入尺寸（必须是 32 的倍数）。
max_detint300每张图像的最大检测数量，用于提高内存效率。
classeslist[int]None要检测的类索引列表（例如 [0, 1] 代表人和自行车）。
output_dirstrNone标注的保存目录（默认相对于数据路径为 './labels'）。

auto_annotate 函数接收图像路径以及用于指定预训练检测模型（即 YOLO26、YOLO11 或其他 models）和分割模型（即 SAM、SAM2 或 MobileSAM）、运行模型的设备以及用于保存标注结果的输出目录的可选参数。

通过利用预训练模型的功能，自动标注可以显著减少创建高质量分割数据集所需的时间和精力。此功能对于处理大型图像集合的研究人员和开发者特别有用，因为它使他们能够专注于模型开发和评估，而不是手动标注。

可视化数据集标注

在训练模型之前，可视化你的数据集注释以确保它们正确通常很有帮助。Ultralytics 为此提供了一个实用函数：

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,
)

此函数绘制边界框，用类别名称标记对象，并调整文本颜色以获得更好的可读性，从而帮助你在训练前识别并纠正任何标注错误。

将分割掩码转换为 YOLO 格式

如果你有二进制格式的分割掩码，可以使用以下方法将其转换为 YOLO 分割格式：

from ultralytics.data.converter import convert_segment_masks_to_yolo_seg

# For datasets like COCO with 80 classes
convert_segment_masks_to_yolo_seg(masks_dir="path/to/masks_dir", output_dir="path/to/output_dir", classes=80)

此实用程序将二进制掩码图像转换为 YOLO 分割格式，并将其保存在指定的输出目录中。

常见问题 (FAQ)

Ultralytics YOLO 支持哪些用于实例分割的数据集格式？

Ultralytics YOLO 支持多种实例分割数据集格式，主要格式是其自有的 Ultralytics YOLO 格式。数据集中的每张图像都需要一个对应的文本文件，其中对象信息分多行排列（每行一个对象），列出类别索引和归一化的边界坐标。有关 YOLO 数据集格式的详细说明，请访问 Instance Segmentation Datasets Overview。

如何将 COCO 数据集注释转换为 YOLO 格式？

Converting COCO format annotations to YOLO format is straightforward using Ultralytics tools. You can use the convert_coco function from the ultralytics.data.converter module:

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/", use_segments=True)

此脚本将你的 COCO 数据集注释转换为所需的 YOLO 格式，使其适用于训练你的 YOLO 模型。有关更多详细信息，请参阅 Port or Convert Label Formats。

如何准备用于训练 Ultralytics YOLO 模型的 YAML 文件？

要准备用于训练 YOLO 模型的 YAML 文件，你需要定义数据集路径和类别名称。以下是示例 YAML 配置：

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-seg dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg/
# Example usage: yolo train data=coco8-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-seg ← downloads here (1 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco8-seg # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-seg.zip

确保根据你的数据集更新路径和类别名称。有关更多信息，请查看 Dataset YAML Format 部分。

Ultralytics YOLO 中的自动标注功能是什么？

Ultralytics YOLO 中的自动标注功能允许你使用预训练的检测模型为你的数据集生成分割注释。这显著减少了对手动标注的需求。你可以按如下方式使用 auto_annotate 函数：

from ultralytics.data.annotator import auto_annotate

auto_annotate(data="path/to/images", det_model="yolo26x.pt", sam_model="sam_b.pt")  # or sam_model="mobile_sam.pt"

此函数使标注过程自动化，使其更快、更高效。有关更多详细信息，请浏览 Auto-Annotate Reference。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher20JKjk4e3RAraimbekovm1SHshawnpavey1PDpderrenger1FCfcakyon1LALaughing-q1Y-Y-T-G1RIRizwanMunawar1MAMatthewNoyce1BUBurhan-Q1

评论