Örnek Segmentasyonu

Örnek bölütleme, nesne tespitinden bir adım öteye gider ve bir görüntüdeki bireysel nesneleri tanımlamayı ve bunları görüntünün geri kalanından ayırmayı içerir.

Örnek segmentasyon modelinin çıktısı, her nesne için sınıf etiketleri ve güven skorlarıyla birlikte, görüntüdeki her nesneyi ana hatlarıyla belirten bir dizi maske veya konturdur. Örnek segmentasyonu, bir görüntüdeki nesnelerin sadece nerede olduğunu değil, aynı zamanda tam şeklinin ne olduğunu da bilmeniz gerektiğinde kullanışlıdır.

İzle: Önceden Eğitilmiş Ultralytics YOLO Modeli ile python'da Segmentasyon Çalıştırın.

Modeller

YOLO11 önceden eğitilmiş Bölütleme modelleri burada gösterilmektedir. Algılama, Bölütleme ve Poz modelleri COCO veri kümesinde önceden eğitilirken, Sınıflandırma modelleri ImageNet veri kümesinde önceden eğitilir.

Modeller, ilk kullanımda en son Ultralytics sürümünden otomatik olarak indirilir.

• mAP^val değerleri, tek model ve tek ölçek için COCO val2017 veri kümesi üzerindendir.
  Tekrar oluşturmak için yolo val segment data=coco.yaml device=0
• Hız değerleri, bir Amazon EC2 P4d örneği kullanılarak COCO val görüntülerinde ortalama alınmıştır.
  Tekrar oluşturmak için yolo val segment data=coco.yaml batch=1 device=0|cpu

Eğit

COCO8-seg veri kümesinde YOLO11n-seg'i 640 görüntü boyutunda 100 epoch için eğitin. Mevcut argümanların tam listesi için Yapılandırma sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.yaml")  # build a new model from YAML
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n-seg.yaml").load("yolo11n.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=yolo11n-seg.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-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=yolo11n-seg.yaml pretrained=yolo11n-seg.pt epochs=100 imgsz=640

Veri kümesi formatı

YOLO segmentasyon veri kümesi formatına Veri Kümesi Kılavuzu'nda detaylı olarak ulaşılabilir. Mevcut veri kümenizi diğer formatlardan (COCO vb. gibi) YOLO formatına dönüştürmek için lütfen Ultralytics tarafından sunulan JSON2YOLO aracını kullanın.

Doğrula

Eğitilmiş YOLO11n-seg modelini doğrulayın doğruluğu COCO8-seg veri kümesi üzerinde. Herhangi bir argümana gerek yoktur, çünkü model eğitimini korur data ve argümanları model nitelikleri olarak saklar.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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

yolo segment val model=yolo11n-seg.pt  # val official model
yolo segment val model=path/to/best.pt # val custom model

Tahmin et

Görüntüler üzerinde tahminler yürütmek için eğitilmiş bir YOLO11n-seg modeli kullanın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

# Access the results
for result in results:
    xy = result.masks.xy  # mask in polygon format
    xyn = result.masks.xyn  # normalized
    masks = result.masks.data  # mask in matrix format (num_objects x H x W)

yolo segment predict model=yolo11n-seg.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo segment predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg' # predict with custom model

Tamamını görün predict sayfasındaki mod ayrıntıları. Tahmin et sayfasında bulabilirsiniz.

Dışa aktar

Bir YOLO11n-seg modelini ONNX, CoreML vb. gibi farklı bir biçime aktarın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

# Export the model
model.export(format="onnx")

yolo export model=yolo11n-seg.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx # export custom trained model

Mevcut YOLO11-seg dışa aktarma formatları aşağıdaki tabloda bulunmaktadır. Şunu kullanarak herhangi bir formata dışa aktarabilirsiniz: format argümanını kullanarak dışa aktarabilirsiniz, örneğin format='onnx' veya format='engine'. Dışa aktarılan modeller üzerinde doğrudan tahmin veya doğrulama yapabilirsiniz, örneğin yolo predict model=yolo11n-seg.onnx. Kullanım örnekleri, dışa aktarma tamamlandıktan sonra modeliniz için gösterilir.

Tamamını görün export ayrıntıları Dışa aktar sayfasında bulabilirsiniz.

SSS

Özel bir veri kümesi üzerinde bir YOLO11 segmentasyon modeli nasıl eğitirim?

Özel bir veri kümesinde bir YOLO11 segmentasyon modeli eğitmek için, öncelikle veri kümenizi YOLO segmentasyon formatında hazırlamanız gerekir. Diğer formatlardaki veri kümelerini dönüştürmek için JSON2YOLO gibi araçları kullanabilirsiniz. Veri kümeniz hazır olduğunda, modeli Python veya CLI komutlarını kullanarak eğitebilirsiniz:

from ultralytics import YOLO

# Load a pretrained YOLO11 segment model
model = YOLO("yolo11n-seg.pt")

# Train the model
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)

yolo segment train data=path/to/your_dataset.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Mevcut diğer argümanlar için Yapılandırma sayfasına bakın.

YOLO11'de nesne tespiti ve örnek segmentasyonu arasındaki fark nedir?

Nesne algılama, bir görüntüdeki nesneleri çevrelerine sınırlayıcı kutular çizerek tanımlar ve konumlandırır; örnek segmentasyonu ise yalnızca sınırlayıcı kutuları tanımlamakla kalmaz, aynı zamanda her nesnenin tam şeklini de belirtir. YOLO11 örnek segmentasyon modelleri, algılanan her nesnenin ana hatlarını çizen maskeler veya konturlar sağlar; bu da nesnelerin kesin şeklini bilmenin önemli olduğu tıbbi görüntüleme veya otonom sürüş gibi görevler için özellikle kullanışlıdır.

Örnek segmentasyonu için neden YOLO11 kullanılır?

Ultralytics YOLO11, yüksek doğruluğu ve gerçek zamanlı performansıyla tanınan, örnek segmentasyonu görevleri için ideal, son teknoloji bir modeldir. YOLO11 Segment modelleri, çeşitli nesneler arasında güçlü performans sağlayarak COCO veri kümesi üzerinde önceden eğitilmiş olarak gelir. Ek olarak, YOLO, sorunsuz entegrasyonla eğitim, doğrulama, tahmin ve dışa aktarma işlevlerini destekleyerek hem araştırma hem de endüstri uygulamaları için son derece çok yönlü hale getirir.

Önceden eğitilmiş bir YOLO segmentasyon modelini nasıl yükler ve doğrularım?

Önceden eğitilmiş bir YOLO segmentasyon modelini yüklemek ve doğrulamak basittir. İşte hem python hem de CLI kullanarak bunu nasıl yapabileceğiniz:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n-seg.pt")

# Validate the model
metrics = model.val()
print("Mean Average Precision for boxes:", metrics.box.map)
print("Mean Average Precision for masks:", metrics.seg.map)

yolo segment val model=yolo11n-seg.pt

Bu adımlar size model performansını değerlendirmek için çok önemli olan Ortalama Ortalama Hassasiyet (mAP) gibi doğrulama metrikleri sağlayacaktır.

Bir YOLO segmentasyon modelini ONNX formatına nasıl aktarabilirim?

Bir YOLO segmentasyon modelini ONNX formatına aktarmak basittir ve python veya CLI komutları kullanılarak yapılabilir:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n-seg.pt")

# Export the model to ONNX format
model.export(format="onnx")

yolo export model=yolo11n-seg.pt format=onnx

Çeşitli formatlara aktarma hakkında daha fazla bilgi için Dışa Aktarma sayfasına bakın.

📅 1 yıl önce oluşturuldu ✏️ 4 ay önce güncellendi

Yorumlar