ultralytics/docs/de/tasks/segment.md

comments	description	Schlagworte
true	Erfahren Sie, wie Sie Instanzsegmentierungsmodelle mit Ultralytics YOLO verwenden. Anleitungen zum Training, zur Validierung, zur Bildvorhersage und zum Export von Modellen.	yolov8, Instanzsegmentierung, Ultralytics, COCO-Datensatz, Bildsegmentierung, Objekterkennung, Modelltraining, Modellvalidierung, Bildvorhersage, Modellexport

Instanzsegmentierung

Instanzsegmentierung geht einen Schritt weiter als die Objekterkennung und beinhaltet die Identifizierung einzelner Objekte in einem Bild und deren Abtrennung vom Rest des Bildes.

Das Ergebnis eines Instanzsegmentierungsmodells ist eine Reihe von Masken oder Konturen, die jedes Objekt im Bild umreißen, zusammen mit Klassenbezeichnungen und Vertrauensscores für jedes Objekt. Instanzsegmentierung ist nützlich, wenn man nicht nur wissen muss, wo sich Objekte in einem Bild befinden, sondern auch, welche genaue Form sie haben.

Schauen Sie: Führen Sie Segmentierung mit dem vortrainierten Ultralytics YOLOv8 Modell in Python aus.

!!! Tip "Tipp"

YOLOv8 Segment-Modelle verwenden das Suffix `-seg`, d.h. `yolov8n-seg.pt` und sind auf dem [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml)-Datensatz vortrainiert.

Modelle

Hier werden vortrainierte YOLOv8 Segment-Modelle gezeigt. Detect-, Segment- und Pose-Modelle sind auf dem COCO-Datensatz vortrainiert, während Classify-Modelle auf dem ImageNet-Datensatz vortrainiert sind.

Modelle laden sich automatisch von der neuesten Ultralytics Veröffentlichung beim ersten Gebrauch herunter.

Modell	Größe (Pixel)	mAPKasten 50-95	mAPMasken 50-95	Geschwindigkeit CPU ONNX (ms)	Geschwindigkeit A100 TensorRT (ms)	Parameter (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

• Die mAP^val-Werte sind für ein einzelnes Modell, einzelne Skala auf dem COCO val2017-Datensatz.
  Zum Reproduzieren nutzen Sie yolo val segment data=coco.yaml device=0
• Die Geschwindigkeit ist über die COCO-Validierungsbilder gemittelt und verwendet eine Amazon EC2 P4d-Instanz.
  Zum Reproduzieren yolo val segment data=coco128-seg.yaml batch=1 device=0|cpu

Training

Trainieren Sie YOLOv8n-seg auf dem COCO128-seg-Datensatz für 100 Epochen mit einer Bildgröße von 640. Eine vollständige Liste der verfügbaren Argumente finden Sie auf der Seite Konfiguration.

!!! Example "Beispiel"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Modell laden
    model = YOLO('yolov8n-seg.yaml')  # ein neues Modell aus YAML erstellen
    model = YOLO('yolov8n-seg.pt')  # ein vortrainiertes Modell laden (empfohlen für das Training)
    model = YOLO('yolov8n-seg.yaml').load('yolov8n.pt')  # aus YAML erstellen und Gewichte übertragen

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

    ```bash
    # Ein neues Modell aus YAML erstellen und das Training von vorne beginnen
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml epochs=100 imgsz=640

    # Das Training von einem vortrainierten *.pt Modell aus starten
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

    # Ein neues Modell aus YAML erstellen, vortrainierte Gewichte darauf übertragen und das Training beginnen
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml pretrained=yolov8n-seg.pt epochs=100 imgsz=640
    ```

Datenformat

Das YOLO Segmentierungsdatenformat finden Sie detailliert im Dataset Guide. Um Ihre vorhandenen Daten aus anderen Formaten (wie COCO usw.) in das YOLO-Format umzuwandeln, verwenden Sie bitte das JSON2YOLO-Tool von Ultralytics.

Val

Validieren Sie die Genauigkeit des trainierten YOLOv8n-seg-Modells auf dem COCO128-seg-Datensatz. Es müssen keine Argumente übergeben werden, da das Modell seine Trainingsdaten und -argumente als Modellattribute behält.

!!! Example "Beispiel"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Modell laden
    model = YOLO('yolov8n-seg.pt')  # offizielles Modell laden
    model = YOLO('pfad/zu/best.pt')  # benutzerdefiniertes Modell laden

    # Das Modell validieren
    metrics = model.val()  # Keine Argumente erforderlich, Datensatz und Einstellungen werden behalten
    metrics.box.map    # mAP50-95(B)
    metrics.box.map50  # mAP50(B)
    metrics.box.map75  # mAP75(B)
    metrics.box.maps   # eine Liste enthält mAP50-95(B) für jede Kategorie
    metrics.seg.map    # mAP50-95(M)
    metrics.seg.map50  # mAP50(M)
    metrics.seg.map75  # mAP75(M)
    metrics.seg.maps   # eine Liste enthält mAP50-95(M) für jede Kategorie
    ```
=== "CLI"

    ```bash
    yolo segment val model=yolov8n-seg.pt  # offizielles Modell validieren
    yolo segment val model=pfad/zu/best.pt  # benutzerdefiniertes Modell validieren
    ```

Predict

Verwenden Sie ein trainiertes YOLOv8n-seg-Modell für Vorhersagen auf Bildern.

!!! Example "Beispiel"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Modell laden
    model = YOLO('yolov8n-seg.pt')  # offizielles Modell laden
    model = YOLO('pfad/zu/best.pt')  # benutzerdefiniertes Modell laden

    # Mit dem Modell Vorhersagen treffen
    results = model('https://ultralytics.com/images/bus.jpg')  # Vorhersage auf einem Bild
    ```
=== "CLI"

    ```bash
    yolo segment predict model=yolov8n-seg.pt source='https://ultralytics.com/images/bus.jpg'  # Vorhersage mit offiziellem Modell treffen
    yolo segment predict model=pfad/zu/best.pt source='https://ultralytics.com/images/bus.jpg'  # Vorhersage mit benutzerdefiniertem Modell treffen
    ```

Die vollständigen Details zum predict-Modus finden Sie auf der Seite Predict.

Export

Exportieren Sie ein YOLOv8n-seg-Modell in ein anderes Format wie ONNX, CoreML usw.

!!! Example "Beispiel"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Modell laden
    model = YOLO('yolov8n-seg.pt')  # offizielles Modell laden
    model = YOLO('pfad/zu/best.pt')  # benutzerdefiniertes trainiertes Modell laden

    # Das Modell exportieren
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-seg.pt format=onnx  # offizielles Modell exportieren
    yolo export model=pfad/zu/best.pt format=onnx  # benutzerdefiniertes trainiertes Modell exportieren
    ```

Die verfügbaren YOLOv8-seg-Exportformate sind in der folgenden Tabelle aufgeführt. Sie können direkt auf exportierten Modellen Vorhersagen treffen oder sie validieren, z.B. yolo predict model=yolov8n-seg.onnx. Verwendungsbeispiele werden für Ihr Modell nach dem Export angezeigt.

Format	format-Argument	Modell	Metadaten	Argumente
PyTorch	-	yolov8n-seg.pt	✅	-
TorchScript	torchscript	yolov8n-seg.torchscript	✅	imgsz, optimieren
ONNX	onnx	yolov8n-seg.onnx	✅	imgsz, halb, dynamisch, vereinfachen, opset
OpenVINO	openvino	yolov8n-seg_openvino_model/	✅	imgsz, halb
TensorRT	engine	yolov8n-seg.engine	✅	imgsz, halb, dynamisch, vereinfachen, Arbeitsspeicher
CoreML	coreml	yolov8n-seg.mlpackage	✅	imgsz, halb, 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, halb, 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, halb

Die vollständigen Details zum export finden Sie auf der Seite Export.