实例分割
实例分割比物体检测更进一步，它涉及识别图像中的单个物体，并将它们与图像的其他部分分割开来。
实例分割模型的输出是一组勾勒出图像中每个物体的遮罩或轮廓，以及每个物体的类标签和置信度分数。当你不仅需要知道物体在图像中的位置，还需要知道它们的具体形状时，实例分割就非常有用了。
观看： 在Python 中使用预训练的Ultralytics YOLOv8 模型运行分段。
提示
YOLOv8 分段模型使用 -seg 后缀，即 yolov8n-seg.pt 并对 COCO.
机型
YOLOv8 这里显示的是经过预训练的 Segment 模型。Detect、Segment 和 Pose 模型是在COCO数据集上预先训练的，而 Classify 模型则是在ImageNet数据集上预先训练的。
首次使用时，模型会自动从最新的Ultralytics 版本下载。
| 模型 | 尺寸 （像素） |
mAPbox 50-95 |
mAPmask 50-95 |
速度 CPUONNX (ms) |
速度 A100 TensorRT （毫秒） |
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 数值是在 COCO val2017 数据集。
复制方式yolo val segment data=coco.yaml device=0 - 速度 对 COCO val 图像使用 亚马逊 EC2 P4d 实例
复制方式yolo val segment data=coco8-seg.yaml batch=1 device=0|cpu
火车
在图像大小为 640 的 COCO128-seg 数据集上训练YOLOv8n-seg，100 个历元。有关可用参数的完整列表，请参阅配置页面。
示例
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
数据集格式
YOLO 分段数据集格式详见数据集指南。要将现有数据集从其他格式（如 COCO 等）转换为YOLO 格式，请使用JSON2YOLO工具（Ultralytics ）。
瓦尔
在 COCO128-seg 数据集上验证训练有素的YOLOv8n-seg 模型的准确性。无需传递参数，因为 model
保留其培训 data 和参数作为模型属性。
示例
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
预测
使用训练有素的YOLOv8n-seg 模型对图像进行预测。
示例
查看全文 predict 模式的详细信息，请参见 预测 page.
出口
将YOLOv8n-seg 模型导出为不同格式，如ONNX,CoreML 等。
示例
YOLOv8-seg 可用的导出格式如下表所示。您可以使用 format 参数，即 format='onnx' 或 format='engine'.您可以直接对导出的模型进行预测或验证，即 yolo predict model=yolov8n-seg.onnx.导出完成后会显示模型的使用示例。
| 格式 | format 论据 |
模型 | 元数据 | 论据 |
|---|---|---|---|---|
| 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, 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 轻型 | tflite |
yolov8n-seg.tflite |
✅ | imgsz, half, int8, batch |
| TF 边缘TPU | edgetpu |
yolov8n-seg_edgetpu.tflite |
✅ | imgsz, batch |
| 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 |
查看全文 export 中的详细信息 出口 page.