隔离分割对象
执行分段任务后，有时需要从推理结果中提取孤立对象。本指南提供了如何使用Ultralytics 预测模式实现这一目的的通用方法。
食谱漫步
-
有关安装所需程序库的快速指南，请参见Ultralytics 快速入门安装部分。
-
加载模型并运行
predict()方法。from ultralytics import YOLO # Load a model model = YOLO("yolov8n-seg.pt") # Run inference results = model.predict()没有预测论据？
如果未指定来源，则将使用图库中的示例图像：
这有助于使用
predict()方法。有关细分模型的更多信息，请访问 分段任务 页。了解更多
predict()方法，见 预测模式 部分。
-
现在遍历结果和轮廓。对于要将图像保存到文件的工作流程，源图像
base-name和检测class-label检索，以供以后使用（可选）。from pathlib import Path import numpy as np # (2) Iterate detection results (helpful for multiple images) for r in res: img = np.copy(r.orig_img) img_name = Path(r.path).stem # source image base-name # Iterate each object contour (multiple detections) for ci, c in enumerate(r): # (1) Get detection class name label = c.names[c.boxes.cls.tolist().pop()]- 要了解有关使用检测结果的更多信息，请参阅 "预测模式方框 "部分。
- 了解更多信息
predict()结果见 处理预测模式的结果
For-Loop
单幅图像只会重复第一个循环一次。只有一个检测的单个图像将只重复每个循环一次。
-
首先从源图像生成一个二元遮罩，然后在遮罩上绘制填充轮廓。这样就可以将对象与图像的其他部分隔离开来。示例
bus.jpg为检测到的其中一个person右侧显示的是类对象。import cv2 # Create binary mask b_mask = np.zeros(img.shape[:2], np.uint8) # (1) Extract contour result contour = c.masks.xy.pop() # (2) Changing the type contour = contour.astype(np.int32) # (3) Reshaping contour = contour.reshape(-1, 1, 2) # Draw contour onto mask _ = cv2.drawContours(b_mask, [contour], -1, (255, 255, 255), cv2.FILLED)-
更多信息
c.masks.xy看看 预测模式的掩码部分. -
在这里，这些值被转入
np.int32以兼容drawContours()函数。 -
OpenCV
drawContours()函数希望轮廓的形状为[N, 1, 2]更多详情，请参阅下文扩展部分。
扩展，以了解在界定
contour变量。-
c.masks.xy::提供遮罩轮廓点的坐标，格式为(x, y).有关详细信息，请参阅 预测模式的掩码部分. -
.pop()::作为masks.xy是一个包含单个元素的列表，该元素将使用pop()方法。 -
.astype(np.int32)::使用masks.xy返回的数据类型为float32但这与 OpenCVdrawContours()函数，因此会将数据类型更改为int32兼容性。 -
.reshape(-1, 1, 2)::将数据重新格式化为所需的[N, 1, 2]其中N是轮廓点的数量，每个点用一个条目表示1条目包括2价值观值-1表示该维度的数值数量是灵活的。
展开以了解
drawContours()配置。-
封装
contour变量置于方括号内、[contour]在测试过程中，发现它能有效生成所需的轮廓掩码。 -
价值
-1指定的drawContours()参数指示函数绘制图像中的所有轮廓。 -
"(《世界人权宣言》)
tuple(255, 255, 255)代表白色，这是在二进制掩码中绘制轮廓所需的颜色。 -
增加
cv2.FILLED会给轮廓边界所包围的所有像素涂上相同的颜色，在这种情况下，所有被包围的像素都将是白色。 -
参见 OpenCV 文档
drawContours()了解更多信息。
-
-
接下来，有两个选项可供选择，分别是如何从此时开始继续处理图像，以及每个选项的后续选项。
对象隔离选项
# Create 3-channel mask mask3ch = cv2.cvtColor(b_mask, cv2.COLOR_GRAY2BGR) # Isolate object with binary mask isolated = cv2.bitwise_and(mask3ch, img)它是如何工作的？
-
首先，二进制掩码要从单通道图像转换为三通道图像。这一转换对于随后将遮罩和原始图像合并的步骤是必要的。两幅图像的通道数必须相同，以便与混合操作兼容。
-
使用 OpenCV 函数合并原始图像和三通道二进制掩码
bitwise_and().该操作保留了 只是 像素值大于零(> 0)从两幅图像中提取。由于掩码像素大于零(> 0)只是 在轮廓区域内，原始图像中剩余的像素就是与轮廓重叠的像素。
用黑色像素隔离子选项
全尺寸图片
如果保留全尺寸图像，则无需其他步骤。
全尺寸输出示例 经裁剪的对象图像
裁剪图像使其只包括目标区域所需的其他步骤。
# (1) Bounding box coordinates x1, y1, x2, y2 = c.boxes.xyxy.cpu().numpy().squeeze().astype(np.int32) # Crop image to object region iso_crop = isolated[y1:y2, x1:x2]- 有关边界框结果的更多信息，请参阅 "预测模式 "中的 "框 "部分。
这段代码有什么作用？
-
"(《世界人权宣言》)
c.boxes.xyxy.cpu().numpy()调用会以 NumPy 数组的形式在xyxy格式，其中xmin,ymin,xmax和ymax代表边界框矩形的坐标。参见 预测模式的方框部分 了解更多详情。 -
"(《世界人权宣言》)
squeeze()操作会删除 NumPy 数组中不必要的维数，确保数组具有预期的形状。 -
使用
.astype(np.int32)将方框坐标数据类型从float32至int32这样就可以使用索引切片对图像进行裁剪。 -
最后，使用索引切片从图像中裁剪出边界框区域。边界由
[ymin:ymax, xmin:xmax]检测边界框的坐标。
# Isolate object with transparent background (when saved as PNG) isolated = np.dstack([img, b_mask])它是如何工作的？
- 使用 NumPy
dstack()功能（沿深度轴堆叠数组）与生成的二进制掩膜相结合，将创建一个具有四个通道的图像。这样，在将对象轮廓以外的所有像素保存为PNG锉刀
用透明像素隔离：子选项
全尺寸图片
如果保留全尺寸图像，则无需其他步骤。
全尺寸输出 + 透明背景示例 经裁剪的对象图像
裁剪图像使其只包括目标区域所需的其他步骤。
# (1) Bounding box coordinates x1, y1, x2, y2 = c.boxes.xyxy.cpu().numpy().squeeze().astype(np.int32) # Crop image to object region iso_crop = isolated[y1:y2, x1:x2]- 有关边界框结果的更多信息，请参阅 "预测模式 "中的 "框 "部分。
这段代码有什么作用？
-
使用时
c.boxes.xyxy.cpu().numpy()，边界框会以 NumPy 数组形式返回，使用xyxy方框坐标格式，对应于点xmin, ymin, xmax, ymax的边界框（矩形），请参见 预测模式的方框部分 了解更多信息。 -
添加
squeeze()确保从 NumPy 数组中删除任何无关的维数。 -
使用
.astype(np.int32)将方框坐标数据类型从float32至int32这在使用索引切片裁剪图像时是兼容的。 -
最后，使用索引切片法裁剪边界框的图像区域，并使用
[ymin:ymax, xmin:xmax]检测边界框的坐标。
如果我想要包括背景在内的裁剪对象怎么办？
这是Ultralytics 库的内置功能。请参见
save_crop论点 预测模式推理参数 了解详情。
-
-
下一步该怎么做，完全取决于开发人员。下面是一个可能的下一步的基本示例（将图像保存到文件以备将来使用）。
- 注意：此步骤为可选步骤，如果您的具体使用情况不需要，可跳过此步骤。
完整示例代码
在这里，上一节中的所有步骤都合并为一个代码块。如果要重复使用，最好定义一个函数来执行以下代码中的部分或全部命令 for-但这是留给读者的一个练习。
from pathlib import Path
import cv2
import numpy as np
from ultralytics import YOLO
m = YOLO("yolov8n-seg.pt") # (4)!
res = m.predict() # (3)!
# Iterate detection results (5)
for r in res:
img = np.copy(r.orig_img)
img_name = Path(r.path).stem
# Iterate each object contour (6)
for ci, c in enumerate(r):
label = c.names[c.boxes.cls.tolist().pop()]
b_mask = np.zeros(img.shape[:2], np.uint8)
# Create contour mask (1)
contour = c.masks.xy.pop().astype(np.int32).reshape(-1, 1, 2)
_ = cv2.drawContours(b_mask, [contour], -1, (255, 255, 255), cv2.FILLED)
# Choose one:
# OPTION-1: Isolate object with black background
mask3ch = cv2.cvtColor(b_mask, cv2.COLOR_GRAY2BGR)
isolated = cv2.bitwise_and(mask3ch, img)
# OPTION-2: Isolate object with transparent background (when saved as PNG)
isolated = np.dstack([img, b_mask])
# OPTIONAL: detection crop (from either OPT1 or OPT2)
x1, y1, x2, y2 = c.boxes.xyxy.cpu().numpy().squeeze().astype(np.int32)
iso_crop = isolated[y1:y2, x1:x2]
# TODO your actions go here (2)
- 填充以下内容的行
contour在这里合并为一行，而在上面是分成多行的。 - 这里的内容由你决定！
- 有关更多信息，请参阅预测模式。
- 更多信息，请参阅 "分段任务"。
- 了解更多有关 "与成果合作"的信息
- 进一步了解分段屏蔽结果
常见问题
如何使用Ultralytics YOLOv8 分离对象以执行分割任务？
要使用Ultralytics YOLOv8 隔离对象，请按照以下步骤操作：
-
加载模型并运行推理
-
生成二进制掩码并绘制轮廓：
-
使用二进制掩码隔离对象：
有哪些选项可用于保存分割后的孤立对象？
Ultralytics YOLOv8 为保存孤立对象提供了两个主要选项：
-
黑色背景：
-
透明背景
有关详细信息，请访问预测模式部分。
如何使用Ultralytics YOLOv8 将孤立对象裁剪到其边界框内？
按照边界框裁剪孤立对象：
-
读取边界框坐标：
-
裁剪孤立的图像：
有关边界框结果的更多信息，请参阅预测模式文档。
为什么要在分割任务中使用Ultralytics YOLOv8 进行对象隔离？
Ultralytics YOLOv8 提供：
- 高速实时物体检测和分割。
- 精确生成边界框和遮罩，实现精确的对象隔离。
- 全面的文档和易于使用的应用程序接口可实现高效开发。
在分段任务文档中探索使用YOLO 的好处。
我可以使用Ultralytics YOLOv8 保存包括背景在内的孤立对象吗？
是的，这是Ultralytics YOLOv8 的内置功能。使用 save_crop 参数中的 predict() 方法。例如
了解更多 save_crop 参数中的 预测模式推理参数 节。