yolov8_test/docs/fr/tasks/segment.md

comments	description	keywords
true	Apprenez à utiliser les modèles de segmentation d'instance avec Ultralytics YOLO. Instructions pour la formation, la validation, la prédiction d'image et l'exportation de modèle.	yolov8, segmentation d'instance, Ultralytics, jeu de données COCO, segmentation d'image, détection d'objet, formation de modèle, validation de modèle, prédiction d'image, exportation de modèle

Segmentation d'Instance

La segmentation d'instance va plus loin que la détection d'objet et implique d'identifier des objets individuels dans une image et de les segmenter du reste de l'image.

Le résultat d'un modèle de segmentation d'instance est un ensemble de masques ou de contours qui délimitent chaque objet dans l'image, accompagnés d'étiquettes de classe et de scores de confiance pour chaque objet. La segmentation d'instance est utile lorsque vous avez besoin de savoir non seulement où se trouvent les objets dans une image, mais aussi quelle est leur forme exacte.

Regarder : Exécutez la Segmentation avec le Modèle Ultralytics YOLOv8 Pré-Entraîné en Python.

!!! astuce "Astuce"

Les modèles YOLOv8 Segment utilisent le suffixe `-seg`, par exemple `yolov8n-seg.pt` et sont pré-entraînés sur [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml).

Modèles

Les modèles Segment pré-entraînés YOLOv8 sont indiqués ici. Les modèles Detect, Segment et Pose sont pré-entraînés sur le jeu de données COCO, tandis que les modèles Classify sont pré-entraînés sur le jeu de données ImageNet.

Les modèles se téléchargent automatiquement depuis la dernière version Ultralytics lors de la première utilisation.

Modèle	Taille (pixels)	mAPboîte 50-95	mAPmasque 50-95	Vitesse CPU ONNX (ms)	Vitesse A100 TensorRT (ms)	Paramètres (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

• Les valeurs mAP^val sont pour un seul modèle à une seule échelle sur le jeu de données COCO val2017.
  Pour reproduire, utilisez yolo val segment data=coco.yaml device=0
• Vitesse moyennée sur les images COCO val en utilisant une instance Amazon EC2 P4d.
  Pour reproduire, utilisez yolo val segment data=coco128-seg.yaml batch=1 device=0|cpu

Formation

Entraînez YOLOv8n-seg sur le jeu de données COCO128-seg pendant 100 époques à la taille d'image 640. Pour une liste complète des arguments disponibles, consultez la page Configuration.

!!! Example "Exemple"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n-seg.yaml')  # construire un nouveau modèle à partir du YAML
    model = YOLO('yolov8n-seg.pt')  # charger un modèle pré-entraîné (recommandé pour la formation)
    model = YOLO('yolov8n-seg.yaml').load('yolov8n.pt')  # construire à partir du YAML et transférer les poids

    # Entraîner le modèle
    résultats = model.train(data='coco128-seg.yaml', epochs=100, imgsz=640)
    ```
=== "CLI"

    ```bash
    # Construire un nouveau modèle à partir du YAML et commencer la formation à partir de zéro
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml epochs=100 imgsz=640

    # Commencer la formation à partir d'un modèle *.pt pré-entraîné
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

    # Construire un nouveau modèle à partir du YAML, transférer les poids pré-entraînés et commencer la formation
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml pretrained=yolov8n-seg.pt epochs=100 imgsz=640
    ```

Format des données

Le format des données de segmentation YOLO peut être trouvé en détail dans le Guide du Jeu de Données. Pour convertir votre jeu de données existant à partir d'autres formats (comme COCO, etc.) au format YOLO, veuillez utiliser l'outil JSON2YOLO par Ultralytics.

Validation

Validez la précision du modèle YOLOv8n-seg entraîné sur le jeu de données COCO128-seg. Aucun argument n'est nécessaire car le modèle conserve ses données de formation et ses arguments comme attributs du modèle.

!!! Example "Exemple"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n-seg.pt')  # charger un modèle officiel
    model = YOLO('chemin/vers/le/meilleur.pt')  # charger un modèle personnalisé

    # Valider le modèle
    métriques = model.val()  # aucun argument nécessaire, jeu de données et paramètres mémorisés
    métriques.box.map    # map50-95(B)
    métriques.box.map50  # map50(B)
    métriques.box.map75  # map75(B)
    métriques.box.maps   # une liste contient map50-95(B) de chaque catégorie
    métriques.seg.map    # map50-95(M)
    métriques.seg.map50  # map50(M)
    métriques.seg.map75  # map75(M)
    métriques.seg.maps   # une liste contient map50-95(M) de chaque catégorie
    ```
=== "CLI"

    ```bash
    yolo segment val model=yolov8n-seg.pt  # valider le modèle officiel
    yolo segment val model=chemin/vers/le/meilleur.pt  # valider le modèle personnalisé
    ```

Prédiction

Utilisez un modèle YOLOv8n-seg entraîné pour effectuer des prédictions sur des images.

!!! Example "Exemple"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n-seg.pt')  # charger un modèle officiel
    model = YOLO('chemin/vers/le/meilleur.pt')  # charger un modèle personnalisé

    # Prédire avec le modèle
    résultats = model('https://ultralytics.com/images/bus.jpg')  # prédire sur une image
    ```
=== "CLI"

    ```bash
    yolo segment predict model=yolov8n-seg.pt source='https://ultralytics.com/images/bus.jpg'  # prédire avec le modèle officiel
    yolo segment predict model=chemin/vers/le/meilleur.pt source='https://ultralytics.com/images/bus.jpg'  # prédire avec le modèle personnalisé
    ```

Voir les détails complets du mode predict sur la page Predict.

Exportation

Exportez un modèle YOLOv8n-seg vers un format différent comme ONNX, CoreML, etc.

!!! Example "Exemple"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Charger un modèle
    model = YOLO('yolov8n-seg.pt')  # charger un modèle officiel
    model = YOLO('chemin/vers/le/meilleur.pt')  # charger un modèle entraîné personnalisé

    # Exporter le modèle
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-seg.pt format=onnx  # exporter le modèle officiel
    yolo export model=chemin/vers/le/meilleur.pt format=onnx  # exporter le modèle entraîné personnalisé
    ```

Les formats d'exportation YOLOv8-seg disponibles sont dans le tableau ci-dessous. Vous pouvez prédire ou valider directement sur les modèles exportés, par exemple yolo predict model=yolov8n-seg.onnx. Des exemples d'utilisation sont présentés pour votre modèle après l'exportation.

Format	Argument format	Modèle	Métadonnées	Arguments
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

Voir les détails complets d'export sur la page Export.