ultralytics/docs/pt/tasks/segment.md

comments	description	keywords
true	Aprenda a usar modelos de segmentação de instâncias com o Ultralytics YOLO. Instruções sobre treinamento, validação, previsão de imagem e exportação de modelo.	yolov8, segmentação de instâncias, Ultralytics, conjunto de dados COCO, segmentação de imagem, detecção de objeto, treinamento de modelo, validação de modelo, previsão de imagem, exportação de modelo

Segmentação de Instâncias

A segmentação de instâncias vai além da detecção de objetos e envolve a identificação de objetos individuais em uma imagem e a sua segmentação do resto da imagem.

A saída de um modelo de segmentação de instâncias é um conjunto de máscaras ou contornos que delineiam cada objeto na imagem, juntamente com rótulos de classe e pontuações de confiança para cada objeto. A segmentação de instâncias é útil quando você precisa saber não apenas onde os objetos estão em uma imagem, mas também qual é a forma exata deles.

Assista: Executar Segmentação com o Modelo Treinado Ultralytics YOLOv8 em Python.

!!! Tip "Dica"

Modelos YOLOv8 Segment usam o sufixo `-seg`, ou seja, `yolov8n-seg.pt` e são pré-treinados no [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml).

Modelos

Os modelos Segment pré-treinados do YOLOv8 estão mostrados aqui. Os modelos Detect, Segment e Pose são pré-treinados no conjunto de dados COCO, enquanto os modelos Classify são pré-treinados no conjunto de dados ImageNet.

Modelos são baixados automaticamente do último lançamento da Ultralytics release na primeira utilização.

Modelo	Tamanho (pixels)	mAPbox 50-95	mAPmáscara 50-95	Velocidade CPU ONNX (ms)	Velocidade A100 TensorRT (ms)	Parâmetros (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

• Os valores de mAP^val são para um único modelo em uma única escala no conjunto de dados COCO val2017.
  Reproduza por meio de yolo val segment data=coco.yaml device=0
• Velocidade média em imagens COCO val usando uma instância Amazon EC2 P4d.
  Reproduza por meio de yolo val segment data=coco128-seg.yaml batch=1 device=0|cpu

Treinar

Treine o modelo YOLOv8n-seg no conjunto de dados COCO128-seg por 100 épocas com tamanho de imagem 640. Para uma lista completa de argumentos disponíveis, consulte a página Configuração.

!!! Example "Exemplo"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Carregar um modelo
    model = YOLO('yolov8n-seg.yaml')  # construir um novo modelo a partir do YAML
    model = YOLO('yolov8n-seg.pt')  # carregar um modelo pré-treinado (recomendado para treinamento)
    model = YOLO('yolov8n-seg.yaml').load('yolov8n.pt')  # construir a partir do YAML e transferir os pesos

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

    ```bash
    # Construir um novo modelo a partir do YAML e começar o treinamento do zero
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml epochs=100 imgsz=640

    # Começar o treinamento a partir de um modelo *.pt pré-treinado
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

    # Construir um novo modelo a partir do YAML, transferir pesos pré-treinados para ele e começar o treinamento
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml pretrained=yolov8n-seg.pt epochs=100 imgsz=640
    ```

Formato do conjunto de dados

O formato do conjunto de dados de segmentação YOLO pode ser encontrado em detalhes no Guia de Conjuntos de Dados. Para converter seu conjunto de dados existente de outros formatos (como COCO etc.) para o formato YOLO, utilize a ferramenta JSON2YOLO da Ultralytics.

Val

Valide a acurácia do modelo YOLOv8n-seg treinado no conjunto de dados COCO128-seg. Não é necessário passar nenhum argumento, pois o modelo retém seus dados de treino e argumentos como atributos do modelo.

!!! Example "Exemplo"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Carregar um modelo
    model = YOLO('yolov8n-seg.pt')  # carregar um modelo oficial
    model = YOLO('path/to/best.pt')  # carregar um modelo personalizado

    # Validar o modelo
    metrics = model.val()  # sem necessidade de argumentos, conjunto de dados e configurações são lembrados
    metrics.box.map    # map50-95(B)
    metrics.box.map50  # map50(B)
    metrics.box.map75  # map75(B)
    metrics.box.maps   # uma lista contendo map50-95(B) de cada categoria
    metrics.seg.map    # map50-95(M)
    metrics.seg.map50  # map50(M)
    metrics.seg.map75  # map75(M)
    metrics.seg.maps   # uma lista contendo map50-95(M) de cada categoria
    ```
=== "CLI"

    ```bash
    yolo segment val model=yolov8n-seg.pt  # val modelo oficial
    yolo segment val model=path/to/best.pt  # val modelo personalizado
    ```

Prever

Use um modelo YOLOv8n-seg treinado para realizar previsões em imagens.

!!! Example "Exemplo"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Carregar um modelo
    model = YOLO('yolov8n-seg.pt')  # carregar um modelo oficial
    model = YOLO('path/to/best.pt')  # carregar um modelo personalizado

    # Realizar previsão com o modelo
    results = model('https://ultralytics.com/images/bus.jpg')  # prever em uma imagem
    ```
=== "CLI"

    ```bash
    yolo segment predict model=yolov8n-seg.pt source='https://ultralytics.com/images/bus.jpg'  # previsão com modelo oficial
    yolo segment predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # previsão com modelo personalizado
    ```

Veja detalhes completos do modo predict na página Prever.

Exportar

Exporte um modelo YOLOv8n-seg para um formato diferente como ONNX, CoreML, etc.

!!! Example "Exemplo"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Carregar um modelo
    model = YOLO('yolov8n-seg.pt')  # carregar um modelo oficial
    model = YOLO('path/to/best.pt')  # carregar um modelo treinado personalizado

    # Exportar o modelo
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-seg.pt format=onnx  # exportar modelo oficial
    yolo export model=path/to/best.pt format=onnx  # exportar modelo treinado personalizado
    ```

Os formatos de exportação disponíveis para YOLOv8-seg estão na tabela abaixo. Você pode prever ou validar diretamente em modelos exportados, ou seja, yolo predict model=yolov8n-seg.onnx. Exemplos de uso são mostrados para o seu modelo após a conclusão da exportação.

Formato	Argumento format	Modelo	Metadados	Argumentos
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

Veja detalhes completos da exportação na página Exportar.