《------往期经典推荐------》
二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~
《------正文------》
引言
在快速发展的计算机视觉领域，You Only Look Once（YOLO）模型一直在推动实时对象检测和分割的边界。从最早的迭代开始，YOLO就改变了机器解释视觉数据的方式，优先考虑速度和准确性。现在，通过YOLOv11，我们看到了性能和功能的重大飞跃，特别是在对象分割方面-这是一项关键技术，不仅可以检测对象，还可以区分图像中的确切边界。
YOLOv11构建了增强的神经架构和优化的分割功能，可提供更准确，更有效的对象描绘。这使得它对于自动驾驶、医学成像和实时监控等应用特别有价值，在这些应用中，了解物体的形状和大小与简单地检测它们一样重要。
对象分割，而不仅仅是检测，是关于理解对象的确切空间属性，使我们能够将图像划分为有意义的区域。YOLOv 11使用先进的卷积层和创新的骨干网络，即使在复杂或混乱的场景中也能提供更清晰、更准确的对象边界。在这篇博客中，我将向您展示YOLOv 11如何改进分割任务，并概述在您自己的项目中实现它的步骤。
使用YOLOv11进行图像分割
步骤1：安装必要的库
pip install opencv-python ultralytics numpy
步骤2：导入库
from ultralytics import YOLO
import random
import cv2
import numpy as np
步骤3：选择模型
model = YOLO("yolo11x-seg.pt")
我们可以比较不同的模型，并权衡各自的优点和缺点。这里我们选择yolov11x-seg.pt。
步骤4：使用YOLOv 11分割图像中的对象
img = cv2.imread("YourImagePath")
# if you want all classes
yolo_classes = list(model.names.values())
classes_ids = [yolo_classes.index(clas) for clas in yolo_classes]
conf = 0.2
results = model.predict(img, conf=conf)
colors = [random.choices(range(256), k=3) for _ in classes_ids]
print(results)
for result in results:
for mask, box in zip(result.masks.xy, result.boxes):
points = np.int32([mask])
color_number = classes_ids.index(int(box.cls[0]))
cv2.fillPoly(img, points, colors[color_number])
1.加载图像：
img = cv2.imread("YourImagePath")使用OpenCV的cv2.imread（）函数从指定路径读取图像。
2.预测准备：
yolo_classes = list(model.names.values())创建一个由YOLOv11模型识别的类名列表。classes_ids = [yolo_classes.index(clas) for clas in yolo_classes]创建与这些名称对应的类ID列表。conf = 0.2设置对象检测的置信度阈值。只有置信度得分高于此阈值的预测才会被考虑。
3.运行模型预测：
results = model.predict(img, conf=conf)调用YOLOv11模型的predict（）方法对加载的图像进行预测。结果包括检测到的对象、它们的边界框、遮罩（多边形轮廓）、置信度分数和类预测。colors = [random.choices(range(256), k=3) for _ in classes_ids]生成一个随机颜色列表，每个类一个，用于视觉表示。
4.处理结果和可视化掩模：
for循环遍历结果中的每个检测到的对象：mask, box = zip(result.masks.xy, result.boxes)解压缩对象的遮罩坐标和边界框信息。points = np.int32（[mask]）将掩码坐标（可能是浮点格式）转换为整数，以便使用OpenCV在图像上绘制。color_number = classes_ids.index(int(box.cls[0]))根据对象的预测类别确定视觉表示的颜色索引。cv2.fillPoly(img, points, colors[color_number])用原始图像上相应的颜色填充由蒙版坐标定义的多边形，有效地创建对象的视觉分割。
步骤5：保存并打印结果图像
cv2.imshow("Image", img)
cv2.waitKey(0)
cv2.imwrite("YourSavePath", img)
完整代码
from ultralytics import YOLO
import random
import cv2
import numpy as np
model = YOLO("yolo11x-seg.pt")
img = cv2.imread("YourImagePath")
# if you want all classes
yolo_classes = list(model.names.values())
classes_ids = [yolo_classes.index(clas) for clas in yolo_classes]
conf = 0.2
results = model.predict(img, conf=conf)
colors = [random.choices(range(256), k=3) for _ in classes_ids]
for result in results:
for mask, box in zip(result.masks.xy, result.boxes):
points = np.int32([mask])
color_number = classes_ids.index(int(box.cls[0]))
cv2.fillPoly(img, points, colors[color_number])
cv2.imshow("Image", img)
cv2.waitKey(0)
cv2.imwrite("YourSavePath", img)
结论
在本教程中，我们学习了如何在图像和视频中使用YOLOv 11分割对象。如果你觉得这段代码很有帮助，感谢点赞关注！
好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！
扫一扫
1487
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
