ultralytics/docs/ru/tasks/segment.md

comments	description	keywords
true	Научитесь использовать модели сегментации объектов с помощью Ultralytics YOLO. Инструкции по обучению, валидации, предсказанию изображений и экспорту моделей.	yolov8, сегментация объектов, Ultralytics, набор данных COCO, сегментация изображений, обнаружение объектов, обучение моделей, валидация моделей, предсказания изображений, экспорт моделей

Сегментация экземпляров

Сегментация экземпляров идёт на шаг дальше по сравнению с обнаружением объектов и включает идентификацию отдельных объектов на изображении и их сегментацию от остальной части изображения.

Результатом модели сегментации экземпляров является набор масок или контуров, очерчивающих каждый объект на изображении, вместе с классовыми метками и коэффициентами уверенности для каждого объекта. Сегментация экземпляров полезна, когда вам нужно знать не только, где находятся объекты на изображении, но и их точную форму.

Смотрите: Запуск сегментации с предварительно обученной моделью Ultralytics YOLOv8 на Python.

!!! Tip "Совет"

Модели YOLOv8 Segment используют суффикс `-seg`, например `yolov8n-seg.pt` и предварительно обучены на [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml).

Модели

Здесь показаны предварительно обученные модели Segment YOLOv8. Модели Detect, Segment и Pose предварительно обучены на наборе данных COCO, в то время как модели Classify предварительно обучены на наборе данных ImageNet.

Модели автоматически загружаются из последнего релиза Ultralytics при первом использовании.

Модель	размер (пиксели)	mAPbox 50-95	mAPmask 50-95	Скорость CPU ONNX (мс)	Скорость A100 TensorRT (мс)	параметры (М)	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

• Значения mAP^val для одиночной модели одиночного масштаба на наборе данных COCO val2017.
  Воспроизведите с помощью yolo val segment data=coco.yaml device=0
• Скорость усреднена для изображений COCO val на Amazon EC2 P4d инстансе.
  Воспроизведите с помощью yolo val segment data=coco128-seg.yaml batch=1 device=0|cpu

Обучение

Обучите модель YOLOv8n-seg на наборе данных COCO128-seg в течение 100 эпох при размере изображения 640. Полный список доступных аргументов см. на странице Конфигурация.

!!! Example "Пример"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Загрузить модель
    model = YOLO('yolov8n-seg.yaml')  # создать новую модель из YAML
    model = YOLO('yolov8n-seg.pt')  # загрузить предварительно обученную модель (рекомендуется для обучения)
    model = YOLO('yolov8n-seg.yaml').load('yolov8n.pt')  # создать из YAML и перенести веса

    # Обучить модель
    results = model.train(data='coco128-seg.yaml', epochs=100, imgsz=640)
    ```
=== "CLI"

    ```bash
    # Создать новую модель из YAML и начать обучение с нуля
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml epochs=100 imgsz=640

    # Начать обучение с предварительно обученной модели *.pt
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

    # Создать новую модель из YAML, перенести предварительно обученные веса и начать обучение
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml pretrained=yolov8n-seg.pt epochs=100 imgsz=640
    ```

Формат набора данных

Формат набора данных для сегментации YOLO можно найти детально в Руководстве по наборам данных. Чтобы конвертировать свой существующий набор данных из других форматов (например, COCO и т.д.) в формат YOLO, пожалуйста, используйте инструмент JSON2YOLO от Ultralytics.

Валидация

Проверьте точность обученной модели YOLOv8n-seg на наборе данных COCO128-seg. Аргументы передавать не нужно, так как model сохраняет data и аргументы обучения в качестве атрибутов модели.

!!! Example "Пример"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Загрузить модель
    model = YOLO('yolov8n-seg.pt')  # загрузить официальную модель
    model = YOLO('path/to/best.pt')  # загрузить пользовательскую модель

    # Провалидировать модель
    metrics = model.val()  # аргументы не нужны, набор данных и настройки запомнены
    metrics.box.map    # map50-95(B)
    metrics.box.map50  # map50(B)
    metrics.box.map75  # map75(B)
    metrics.box.maps   # список содержит map50-95(B) каждой категории
    metrics.seg.map    # map50-95(M)
    metrics.seg.map50  # map50(M)
    metrics.seg.map75  # map75(M)
    metrics.seg.maps   # список содержит map50-95(M) каждой категории
    ```
=== "CLI"

    ```bash
    yolo segment val model=yolov8n-seg.pt  # валидация официальной модели
    yolo segment val model=path/to/best.pt  # валидация пользовательской модели
    ```

Предсказание

Используйте обученную модель YOLOv8n-seg для выполнения предсказаний на изображениях.

!!! Example "Пример"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Загрузить модель
    model = YOLO('yolov8n-seg.pt')  # загрузить официальную модель
    model = YOLO('path/to/best.pt')  # загрузить пользовательскую модель

    # Сделать предсказание с помощью модели
    results = model('https://ultralytics.com/images/bus.jpg')  # предсказать по изображению
    ```
=== "CLI"

    ```bash
    yolo segment predict model=yolov8n-seg.pt source='https://ultralytics.com/images/bus.jpg'  # предсказать с официальной моделью
    yolo segment predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # предсказать с пользовательской моделью
    ```

Полная информация о режиме predict на странице Predict.

Экспорт

Экспортируйте модель YOLOv8n-seg в другой формат, например ONNX, CoreML и т.д.

!!! Example "Пример"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Загрузить модель
    model = YOLO('yolov8n-seg.pt')  # загрузить официальную модель
    model = YOLO('path/to/best.pt')  # загрузить пользовательскую обученную модель

    # Экспортировать модель
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-seg.pt format=onnx  # экспортировать официальную модель
    yolo export model=path/to/best.pt format=onnx  # экспортировать пользовательскую обученную модель
    ```

Доступные форматы экспорта YOLOv8-seg приведены в таблице ниже. После завершения экспорта для вашей модели показаны примеры использования, включая прямое предсказание или валидацию на экспортированных моделях, например yolo predict model=yolov8n-seg.onnx.

Формат	Аргумент format	Модель	Метаданные	Аргументы
PyTorch	-	yolov8n-seg.pt	✅	-
TorchScript	torchscript	yolov8n-seg.torchscript	✅	imgsz, optimize
ONNX	onnx	yolov8n-seg.onnx	✅	imgsz, half, dynamic, simplify, opset
OpenVINO	openvino	yolov8n-seg_openvino_model/	✅	imgsz, half
TensorRT	engine	yolov8n-seg.engine	✅	imgsz, half, dynamic, simplify, workspace
CoreML	coreml	yolov8n-seg.mlpackage	✅	imgsz, half, int8, nms
TF SavedModel	saved_model	yolov8n-seg_saved_model/	✅	imgsz, keras
TF GraphDef	pb	yolov8n-seg.pb	❌	imgsz
TF Lite	tflite	yolov8n-seg.tflite	✅	imgsz, half, int8
TF Edge TPU	edgetpu	yolov8n-seg_edgetpu.tflite	✅	imgsz
TF.js	tfjs	yolov8n-seg_web_model/	✅	imgsz
PaddlePaddle	paddle	yolov8n-seg_paddle_model/	✅	imgsz
ncnn	ncnn	yolov8n-seg_ncnn_model/	✅	imgsz, half

Подробности о режиме export смотрите на странице Export.