【yolo】yolov5-seg实例分割标签

已于 2022-12-04 12:26:43 修改
阅读量3.2k 收藏 10
点赞数
分类专栏： yolo 文章标签： python 开发语言
于 2022-12-04 11:05:55 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/condom10010/article/details/128164963
版权

文章目录

前言

不同于以往的yolo数据，用的是目标框的label，再加上语义标签，yolov5-seg中用的标签只有一个语义标签，没有目标框的标签。具体对比如下：

yolo标签

（1）目标框标签

1 0.34709947643979044 0.5815078534031414 0.6942408376963352 0.4172774869109947
类别  x y w h
  • 类别：0,1,2,3…
  • x：方框横坐标（0,1）
  • y：方框纵坐标（0,1）
  • w：方框的宽（0,1）
  • h：方框的高（0,1）

（2）语义标签

在这里插入图片描述

yolov5-seg标签

75 0.5305 0.473521 0.526234 0.507582 0.541172 0.503967 0.541438 0.46831
类别  x1 y1 x2 y2 x3 y3 x4 y4

表示的是回归框的边界。也就是打标签时的每个点的坐标。

转换代码

转换代码gitee库

一骑红尘荔枝来
关注
  • 0
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
YOLOv5改进 | Conv篇 | 添加DWRSeg扩张式残差卷积助力小目标检测（附代码 + 添加教程）
Snu77的博客
12-19 1726
本文内容给大家带来的DWRSeg中的DWR模块来改进YOLOv5中的C3和Bottleneck模块，主要针对的是小目标检测，主要创新点可以总结如下：多尺度特征提取机制的深入研究和创新的DWR模块和SIR模块的提出，这种方法使得网络能够更灵活地适应不同尺度的特征，从而更准确地识别和分割图像中的物体。通过本文你能够了解到：DWRSeg的基本原理和框架，并且能够在你自己的网络结构中进行添加(DWRSeg需要增加一定的计算量一个DWR模块大概增加0.4GFLOPs)。
yolov8分割预训练权重
04-19
yolov8n-seg.pt，yolov8s-seg.pt，yolov8m-seg.pt，yolov8l-seg.pt，yolov8x-seg.pt分割预训练权重文件
实例分割笔记(一): 使用YOLOv5-Seg对图像进行分割检测完整版（从自定义数据集到测试验证的完整流程））
源的博客
09-06 8995
图像分割是指将一幅图像划分为若干个互不重叠的区域，每个区域内的像素具有相似的特征或属性。图像分割是图像处理和计算机视觉领域的一个重要任务，它在很多应用中起到关键作用，如目标检测、目标跟踪、图像编辑、医学图像分析等。图像分割的目标是将图像中的目标从背景中分离出来，使得目标区域内的像素具有一致的特征，同时与背景区域有明显的差异。常见的图像分割方法包括基于阈值的方法、边缘检测方法、区域生长方法、基于图割的方法等。
Yolov5-seg 训练自己的数据集
qq_59775159的博客
11-30 703
我这里使用的版本是进入yolov5文件，找到 requirements.txt 文件，在pycharm终端运行 pip install -r requirements.txt下载速度慢的可以配置镜像源。
【保姆级教程】YOLOv8_Seg实例分割：训练自己的数据集
最新发布
m0_51579041的博客
03-21 3953
【保姆级教程】YOLOv8_Seg实例分割：训练自己的数据集
基于轻量级yolov5-seg全系列【n/s/m/l/x】参数模型开发构建工业场景下不同参数量级的滚珠丝杠传动表面缺陷分割检测系统
Together_CZ的博客
12-16 293
基于轻量级yolov5-seg全系列【n/s/m/l/x】参数模型开发构建工业场景下不同参数量级的滚珠丝杠传动表面缺陷分割检测系统
yolov5-face:YOLO5脸
08-05
介绍 Yolov5-face 是一种实时、高精度的人脸检测。 表现 VGA分辨率的单尺度推理（最大边等于640和尺度）。 大家庭 方法 骨干 简单 中等的 难的 #参数(M) #人字拖(G) DSFD (CVPR19) ResNet152 94.29 91.47 71.39 120.06 259.55 视网膜面部 (CVPR20) ResNet50 94.92 91.90 64.17 29.50 37.59 火腿盒 (CVPR20) ResNet50 95.27 93.76 76.75 30.24 43.28 蒂娜脸 (Arxiv20) ResNet50 95.61 94.25 81.43 37.98 172.95 SCRFD-34GF(Arxiv21) 瓶颈研究 96.06 94.92 85.29 9.80 34.1
yolo_segmentation:图像（语义分割）通过暗网或 yolo 进行实例分割
05-29
yolo_segmentation 代码是通过暗网获取分割图像 在我的项目过程中，我在某些方面引用了 nithi89/unet_darknet 并且 nithilan 给了我很多重要的 建议，感谢他，如果你有兴趣可以访问他的主页。 这是我的第三个版本，我添加了扩张卷积，现在它没有那么完美的结果，但我认为它对我来说已经足够了。 后续我会继续更新，敬请期待。 [运行我的项目的共同点] 编译： make -j8 火车： ./darknet segmenter train cfg/maskyolo.data cfg/instance_segment.cfg [pretrain weights file I gave to you] 测试： ./darknet segmenter test cfg/maskyolo.data cfg/instance_segment.cfg [w
【YOLO】Python实例分割 YOLOv5-segment使用教程
范纹杉想快点毕业的博客
05-09 1533
前段时间，YOLOv5推出7.0版本，主要更新点是在目标检测的同时引入了实例分割。 目前，YOLOv5团队已经转向了YOLOv8的更新，因此，7.0版本大概率是YOLOv5的最终稳定版。
【深度学习】YOLOv5实例分割 数据集制作、模型训练以及TensorRT部署
qq_40198848的博客
11-19 1万+
yolov5 seg
Yolov5 seg在图像分割上的落地应用
hllyzms的博客
12-11 6143
网络模型上，加载同目标检测网络加载，通过yaml文件对网络搭建，yaml搭建的网络除了head最后一层，前面的基本上和目标检测的网络保持一致，分割网络通过读取yaml文件搭建，SegmentationModel类继承DetectionModel，其对yaml文件的解析方式同目标检测。loss上在分类和检测同目标检测，同时添加了对分割的损失，在分割上的build_target部分，相比于检测考虑anchor正样本划分，分割属于像素级的分类，读取对应目标的index即可。今天对分割任务大概梳理一遍。
Python实例分割 YOLOv5 segment使用教程（完善中）
热门推荐
a1004550653的博客
12-12 2万+
本文是我在使用YOLOv5时，做的一些过程记录，按照步骤走应该能够跟我获得相同的结果，初次写这种类型的文章，排版之类的可能不太好看，内容也不够充分，之后混慢慢修改补充。本文内容包含代码的直接使用方式，与在自定义数据集上的使用方式，目前未使用过其他公开数据集进行试用。
yolov5-6.0-fire-smoke-1-火焰烟雾检测模型.zip
05-09
YOLOv5火焰烟雾识别训练结果，包含训练好的两个模型，安装好环境后可以直接使用， 类别名fire和smoke，包含标注好的数据集
YOLO3D-YOLOv4-PyTorch:YOLO3D
04-12
YOLO3D-YOLOv4-PyTorch 本文基于YOLOv4的PyTorch实现： 演示版 输入：鸟瞰图（BEV）地图，由3D LiDAR点云的高度，强度和密度编码。 输入尺寸： 608 x 608 x 3 输出：7度的对象的自由（7- DOF）的： (cx, cy, cz, l, w, h, θ) cx, cy, cz ：中心坐标。 l, w, h ：边界框的长度，宽度，高度。 θ ：包围盒的航向角，以弧度为单位。 对象：汽车，行人，骑自行车的人。 特征 基于YOLOv4的实时3D对象检测 支持 张量板 镶嵌/切口增强训练 2.入门 2.1。 要求 pip install -U -r requirements.txt 有关和库的信息，请参阅其官方网站上的安装说明。 2.2。 资料准备 从下载3D KITTI检测数据集。 下载的数据包括： Velodyn
YOLOv9 COCO训练好的模型 yolov9-c-converted.pt
02-28
https://github.com/WongKinYiu/yolov9
yolov8seg预训练模型参数
08-29
yolov8seg预训练模型参数
YOLOv5安全帽检测pytorch-yolov5-master-person_hat.zip
02-26
1、YOLOv5安全帽检测 2、代码：YOLOv5-5.0 3、深度学习框架：pytorch 4、classes：person、hat 5、训练好的模型：YOLOv5s-person_hat.pt和YOLOv5m-person_hat.pt
【计算机视觉】基于Yolov5+Kalman Filter的多细胞追踪（CELL TRACKING CHALLENGE）
qq_41536059的博客
01-14 6298
CELL TRACKING CHALLENGE官网：http://celltrackingchallenge.net/ 显微HeLa细胞数据集： Training dataset:http://data.celltrackingchallenge.net/training-datasets/DIC-C2DH-HeLa.zip* (37 MB) Challenge dataset:http://data.celltrackingchallenge.net/challenge-datasets/DIC..
目标检测实例分割数据集转换：从XML和JSON到YOLOv8(txt)
CDBmax的博客
12-27 2331
在计算机视觉领域，目标检测是一个重要而复杂的任务。随着深度学习技术的发展，各种高效的算法和模型如YOLOv8不断涌现。然而，在使用这些先进模型之前，必须确保我们的数据集是正确格式化的。今天，我将分享一段Python代码，它能够将XML和JSON格式的标注文件转换为适合YOLOv8模型训练的格式。
yolov8-seg实例分割提取分割掩膜
05-19
Yolov8-seg是一种基于目标检测和语义分割的实例分割方法。在Yolov8-seg中，首先使用YoloV5目标检测器检测图像中的物体，然后将检测到的物体传递给语义分割模型，以生成每个物体的分割掩膜。 如果您想提取分割掩膜，您可以按照以下步骤进行操作： 1. 使用Yolov8-seg模型检测图像中的物体。 2. 将检测到的物体传递给语义分割模型，以生成每个物体的分割掩膜。 3. 对于每个检测到的物体，提取其对应的分割掩膜。 4. 将分割掩膜应用于原始图像，以提取物体的图像部分。 您可以使用Python和深度学习框架（如PyTorch或TensorFlow）来实现这些步骤。以下是一个示例代码片段，用于提取Yolov8-seg模型生成的分割掩膜并将其应用于原始图像： ```python import cv2 import torch # Load Yolov8-seg and semantic segmentation models yolo_model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True) seg_model = torch.hub.load('pytorch/vision', 'deeplabv3_resnet101', pretrained=True) # Load image img = cv2.imread('image.jpg') # Detect objects using Yolov8-seg model results = yolo_model(img) # Extract segmentation masks for each detected object masks = [] for result in results.xyxy: box = result[:4].tolist() mask = seg_model(img, box=box)['out'] mask = torch.argmax(mask.squeeze(), dim=0).cpu().numpy() masks.append(mask) # Apply segmentation masks to original image to extract object parts object_parts = [] for mask in masks: object_part = cv2.bitwise_and(img, img, mask=mask) object_parts.append(object_part) # Display extracted object parts for object_part in object_parts: cv2.imshow('Object part', object_part) cv2.waitKey(0) ``` 请注意，此代码片段仅用于示例目的，您需要根据自己的需求进行修改和优化。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值