Meet YOLO26: next-gen vision AI.

Link to this section实例分割数据集概览#

实例分割是一项计算机视觉任务，涉及识别并勾勒图像中的各个对象。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，并提供了如何准备、转换和使用这些数据集来训练模型的说明。

Link to this section支持的数据集格式#

Link to this sectionUltralytics 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：每一行包含关于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 代表人，1 代表汽车，以此类推）。
    • 对象边界坐标：掩码区域周围的边界坐标，归一化到 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（数值相对于图像宽度和高度在 [0, 1] 之间）。坐标之间用空格分隔。

以下是一个 YOLO 数据集格式示例，包含单张图像，其中有两个对象，分别由一个 3 点片段和一个 5 点片段组成。

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同。
  • 每个分割标签必须至少包含 3 个 (x, y) 点：<class-index> <x1> <y1> <x2> <y2> <x3> <y3>

Link to this section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。

Link to this section用法#

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)

Link to this section支持的数据集#

Ultralytics YOLO 支持多种用于实例分割任务的数据集。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业数据集，非常适合汽车领域的应用。它包括各种车辆，并带有各汽车组件的详细标注。
  • COCO：一个用于对象检测、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注图像。
  • COCO8-seg：COCO 数据集的紧凑子集，包含 8 张图像，专为快速测试分割模型训练而设计，非常适合 ultralytics 代码仓库中的 CI 检查和工作流验证。
  • COCO128-seg：一个用于实例分割任务的小型数据集，包含 128 张带有分割标注的 COCO 图像子集。
  • Crack-seg：一个专为各种表面裂缝分割而定制的数据集。它对基础设施维护和质量控制至关重要，提供了详细的图像用于训练模型以识别结构性弱点。
  • Package-seg：一个致力于不同类型包装材料和形状分割的数据集。它在物流和仓库自动化方面特别有用，有助于开发用于包裹处理和分拣的系统。

Link to this section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 格式训练分割模型，请确保它遵循上述“Ultralytics YOLO 格式”中指定的格式。将你的标注转换为所需格式，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/ 作为同一层级的独立文件夹，并保持子文件夹结构匹配；将标签 .txt 文件放在图像文件夹中可能导致模型丢失标签。

Link to this section移植或转换标签格式#

Link to this sectionCOCO 数据集格式到 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 数据集或任何符合 COCO 格式的数据集转换为 Ultralytics YOLO 格式。

请记住仔细检查你想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。正确格式化的数据集对于训练成功的分割模型至关重要。

Link to this section自动标注#

自动标注是一项重要功能，允许你使用预训练检测模型生成分割数据集。它使你能够快速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。

Link to this section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必选包含目标标注或分割图像的目录路径。
det_modelstr'yolo26x.pt'用于初始目标检测的 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、SAM 2、MobileSAM 和 SAM 3 权重）。
devicestr''计算设备（例如 'cuda:0'、'cpu' 或 '' 表示自动设备检测）。
conffloat0.25用于过滤弱检测结果的 YOLO 检测置信度阈值。
ioufloat0.45非极大值抑制的 IoU 阈值，用于过滤重叠的边界框。
imgszint640用于图像重塑的输入大小（必须是 32 的倍数）。
max_detint300为提高内存效率，每张图像的最大检测数量。
classeslist[int]None要检测的类索引列表（例如 [0, 1] 表示人和自行车）。
output_dirstrNone标注的保存目录（默认：<data>_auto_annotate_labels 同级目录）。

auto_annotate 函数接收你的图像路径，以及用于指定预训练检测模型（例如 YOLO26、YOLO11 或其他模型）和分割模型（例如 SAM、SAM 2、MobileSAM 或 SAM 3）、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。

Link to this section可视化数据集标注#

在训练模型之前，可视化数据集标注以确保其正确通常很有帮助。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,
)

此函数会绘制边界框，用类别名称标注对象，并调整文本颜色以提高可读性，从而帮助你在训练前识别并纠正任何标注错误。

Link to this section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)

此工具将二进制掩码图像转换为 YOLO 分割格式，并将其保存到指定的输出目录中。

Link to this section常见问题#

Link to this sectionUltralytics YOLO 支持哪些用于实例分割的数据集格式？#

Ultralytics YOLO 支持多种用于实例分割的数据集格式，主要格式是其自有的 Ultralytics YOLO 格式。你的数据集中的每张图像都需要一个对应的文本文件，其中对象信息被分到多行中（每个对象一行），列出类别索引和归一化边界坐标。有关 YOLO 数据集格式的详细说明，请访问实例分割数据集概览。

Link to this section如何将 COCO 数据集标注转换为 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 数据集标注转换为所需的 YOLO 格式，使其适用于训练你的 YOLO 模型。更多详情，请参考移植或转换标签格式。

Link to this section如何为训练 Ultralytics YOLO 模型准备 YAML 文件？#

要为使用 Ultralytics 训练 YOLO 模型准备 YAML 文件，你需要定义数据集路径和类别名称。以下是一个 YAML 配置示例：

# 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

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

Link to this sectionUltralytics YOLO 中的自动标注功能是什么？#

Ultralytics YOLO 中的自动标注允许你使用预训练的检测模型为你的数据集生成分割标注。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"

此函数实现了标注过程的自动化，使其更加快速和高效。更多详情，请探索自动标注参考。

贡献者
GLglenn-jocher20JKjk4e3RAraimbekovm2SHshawnpavey1PDpderrenger1FCfcakyon1LALaughing-q1Y-Y-T-G1RIRizwanMunawar1MAMatthewNoyce1BUBurhan-Q1

评论