yolov8语义分割训练-验证-推理-转化-数据集（代码+教程）

实例分割概述

实例分割是计算机视觉任务的一种，它超越了简单的物体检测，能够识别图像中的单个物体并将其从图像的其余部分分割出来。这种高级别的分割技术不仅能定位物体的位置，还能精确描绘出每个物体的实际形状。

实例分割模型的输出

实例分割模型的输出是一组掩码（mask）或轮廓线，这些掩码或轮廓线勾勒出了图像中每个物体的确切边界，并且每个物体都附带类别标签和置信度分数。当需要了解图像中物体不仅“在哪里”，而且“具体是什么形状”时，实例分割就显得尤为重要。

示例：使用预训练的 Ultralytics YOLOv8 模型进行分割

观看：使用预训练的 Ultralytics YOLOv8 模型进行分割

YOLOv8 的实例分割模型使用 -seg 后缀，例如 yolov8n-seg.pt，这些模型是在 COCO 数据集上预训练的。

模型

YOLOv8 预训练的实例分割模型如下所示。检测、分割和姿态估计模型在 COCO 数据集上进行了预训练，而分类模型则在 ImageNet 数据集上进行了预训练。模型会在首次使用时自动从 Ultralytics 的最新发布中下载。

模型	大小（像素）	mAPbox（50-95）	mAPmask（50-95）	速度（CPU ONNX，毫秒）	速度（A100 TensorRT，毫秒）	参数（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

其中，mAPval 值是在 COCO val2017 数据集上的单模型单尺度评估结果。

训练模型

要使用 YOLOv8n-seg 在 COCO128-seg 数据集上进行训练，可以设置图像大小为 640 像素，训练周期为 100 轮。

示例

Python

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n-seg.yaml")  # 从 YAML 文件构建新模型
model = YOLO("yolov8n-seg.pt")    # 加载预训练模型（推荐用于训练）
model = YOLO("yolov8n-seg.yaml").load("yolov8n.pt")  # 从 YAML 文件构建模型并转移权重

# 训练模型
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

命令行接口 (CLI)

python path/to/train.py --data coco8-seg.yaml --epochs 100 --imgsz 640

数据集格式

YOLO 分割数据集的具体格式可以在数据集指南中找到。要将现有数据集（如 COCO 等格式）转换为 YOLO 格式，请使用 Ultralytics 提供的 JSON2YOLO 工具。

验证模型

验证训练好的 YOLOv8n-seg 模型在 COCO128-seg 数据集上的准确性。无需传递任何参数，因为模型会保留其训练数据和参数作为属性。

示例

Python

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n-seg.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 验证模型
metrics = model.val()  # 不需要参数，数据集和设置会被记住

# 获取指标
metrics.box.map     # mAP(50-95) 对于边界框
metrics.box.map50   # mAP50 对于边界框
metrics.box.map75   # mAP75 对于边界框
metrics.box.maps    # 每个类别的 mAP(50-95) 列表
metrics.seg.map     # mAP(50-95) 对于分割
metrics.seg.map50   # mAP50 对于分割
metrics.seg.map75   # mAP75 对于分割
metrics.seg.maps    # 每个类别的 mAP(50-95) 列表

命令行接口 (CLI)

python path/to/val.py

运行预测

使用训练好的 YOLOv8n-seg 模型对图像进行预测。

示例

Python

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n-seg.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 使用模型进行预测
results = model("https://ultralytics.com/images/bus.jpg")  # 对图像进行预测

命令行接口 (CLI)

python path/to/predict.py --source https://ultralytics.com/images/bus.jpg

导出模型

可以将 YOLOv8n-seg 模型导出为不同的格式，例如 ONNX、CoreML 等。

示例

Python

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n-seg.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义训练模型

# 导出模型
model.export(format="onnx")

命令行接口 (CLI)

python path/to/export.py --weights yolov8n-seg.pt --format onnx

可用的 YOLOv8-seg 导出格式

下表列出了可用的 YOLOv8-seg 导出格式。你可以使用 format 参数导出到任何格式，例如 format='onnx' 或 format='engine'。完成导出后，你可以直接在导出的模型上进行预测或验证，例如 yolo predict model=yolov8n-seg.onnx。

格式	format 参数	模型	元数据	参数
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, int8, 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 Lite	tflite	yolov8n-seg.tflite	√	imgsz, half, int8, batch
TF Edge TPU	edgetpu	yolov8n-seg_edgetpu.tflite	√	imgsz
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

常见问题解答

如何在自定义数据集上训练 YOLOv8 分割模型？

要在自定义数据集上训练 YOLOv8 分割模型，首先需要准备数据集以符合 YOLO 分割格式的要求。可以使用 JSON2YOLO 工具来转换来自其他格式的数据集。一旦数据集准备好，就可以使用 Python 或者命令行接口进行训练。

示例

Python

from ultralytics import YOLO

# 加载预训练的 YOLOv8 分割模型
model = YOLO("yolov8n-seg.pt")

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

命令行接口 (CLI)

python path/to/train.py --data path/to/your_dataset.yaml --epochs 100 --imgsz 640

更多可用的参数选项，请参阅配置页面。

物体检测与实例分割的区别是什么？

物体检测的任务是在图像中识别并定位物体，通过绘制边界框来标记它们的位置；而实例分割则不仅要确定边界框，还要精确描绘每个物体的确切形状。YOLOv8 的实例分割模型提供了勾勒每个检测到物体的掩码或轮廓，这对于需要知道物体精确形状的任务来说非常重要，例如医学成像或自动驾驶等。

为什么选择 YOLOv8 进行实例分割？

Ultralytics YOLOv8 是一种最先进的模型，以其高准确性和实时性能而闻名，这使得它非常适合实例分割任务。YOLOv8 的分割模型在 COCO 数据集上进行了预训练，确保了模型对于多种物体的强大性能。此外，YOLOv8 支持训练、验证、预测以及导出功能，易于集成，因此非常适合研究和工业应用。

如何加载并验证预训练的 YOLOv8 分割模型？

加载并验证预训练的 YOLOv8 分割模型非常简单，下面是如何使用 Python 和命令行接口进行操作的示例。

示例

Python

from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolov8n-seg.pt")

# 验证模型
metrics = model.val()

# 打印指标
print("边界框的平均精度（mAP）:", metrics.box.map)
print("掩码的平均精度（mAP）:", metrics.seg.map)

命令行接口 (CLI)

python path/to/val.py

这些步骤将为你提供诸如平均精度（mAP）等验证指标，这些指标对于评估模型性能至关重要。

如何将 YOLOv8 分割模型导出为 ONNX 格式？

将 YOLOv8 分割模型导出为 ONNX 格式很容易，可以通过 Python 或者命令行接口完成。

示例

Python

from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolov8n-seg.pt")

# 将模型导出为 ONNX 格式
model.export(format="onnx")

命令行接口 (CLI)

python path/to/export.py --weights yolov8n-seg.pt --format onnx

有关导出到各种格式的更多细节，请参阅导出页面。