yolov8_test/docs/es/tasks/segment.md

comments	description	keywords
true	Aprende a utilizar modelos de segmentación de instancias con Ultralytics YOLO. Instrucciones sobre entrenamiento, validación, predicción de imágenes y exportación de modelos.	yolov8, segmentación de instancias, Ultralytics, conjunto de datos COCO, segmentación de imágenes, detección de objetos, entrenamiento de modelos, validación de modelos, predicción de imágenes, exportación de modelos.

Segmentación de Instancias

La segmentación de instancias va un paso más allá de la detección de objetos e implica identificar objetos individuales en una imagen y segmentarlos del resto de la imagen.

La salida de un modelo de segmentación de instancias es un conjunto de máscaras o contornos que delimitan cada objeto en la imagen, junto con etiquetas de clase y puntajes de confianza para cada objeto. La segmentación de instancias es útil cuando necesitas saber no solo dónde están los objetos en una imagen, sino también cuál es su forma exacta.

Mira: Ejecuta la Segmentación con el Modelo Ultralytics YOLOv8 Preentrenado en Python.

!!! Tip "Consejo"

Los modelos YOLOv8 Segment utilizan el sufijo `-seg`, es decir, `yolov8n-seg.pt` y están preentrenados en el [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml).

Modelos

Aquí se muestran los modelos Segment preentrenados YOLOv8. Los modelos Detect, Segment y Pose están preentrenados en el conjunto de datos COCO, mientras que los modelos Classify están preentrenados en el conjunto de datos ImageNet.

Los Modelos se descargan automáticamente desde el último lanzamiento de Ultralytics release en su primer uso.

Modelo	Tamaño (píxeles)	mAPcaja 50-95	mAPmáscara 50-95	Velocidad CPU ONNX (ms)	Velocidad A100 TensorRT (ms)	Parámetros (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

• Los valores mAP^val son para un único modelo a una única escala en el conjunto de datos COCO val2017.
  Reproducir utilizando yolo val segment data=coco.yaml device=0
• La Velocidad promediada sobre imágenes de COCO val utilizando una instancia de Amazon EC2 P4d.
  Reproducir utilizando yolo val segment data=coco128-seg.yaml batch=1 device=0|cpu

Entrenamiento

Entrena el modelo YOLOv8n-seg en el conjunto de datos COCO128-seg durante 100 épocas con tamaño de imagen de 640. Para una lista completa de argumentos disponibles, consulta la página de Configuración.

!!! Example "Ejemplo"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n-seg.yaml')  # construir un nuevo modelo desde YAML
    model = YOLO('yolov8n-seg.pt')  # cargar un modelo preentrenado (recomendado para entrenamiento)
    model = YOLO('yolov8n-seg.yaml').load('yolov8n.pt')  # construir desde YAML y transferir pesos

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

    ```bash
    # Construir un nuevo modelo desde YAML y comenzar a entrenar desde cero
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml epochs=100 imgsz=640

    # Comenzar a entrenar desde un modelo *.pt preentrenado
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

    # Construir un nuevo modelo desde YAML, transferir pesos preentrenados y comenzar a entrenar
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml pretrained=yolov8n-seg.pt epochs=100 imgsz=640
    ```

Formato del conjunto de datos

El formato del conjunto de datos de segmentación YOLO puede encontrarse detallado en la Guía de Conjuntos de Datos. Para convertir tu conjunto de datos existente de otros formatos (como COCO, etc.) al formato YOLO, utiliza la herramienta JSON2YOLO de Ultralytics.

Validación

Valida la precisión del modelo YOLOv8n-seg entrenado en el conjunto de datos COCO128-seg. No es necesario pasar ningún argumento ya que el modelo retiene sus datos de entrenamiento y argumentos como atributos del modelo.

!!! Example "Ejemplo"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n-seg.pt')  # cargar un modelo oficial
    model = YOLO('ruta/a/mejor.pt')  # cargar un modelo personalizado

    # Validar el modelo
    metrics = model.val()  # no se necesitan argumentos, el conjunto de datos y configuraciones se recuerdan
    metrics.box.map    # map50-95(B)
    metrics.box.map50  # map50(B)
    metrics.box.map75  # map75(B)
    metrics.box.maps   # una lista contiene map50-95(B) de cada categoría
    metrics.seg.map    # map50-95(M)
    metrics.seg.map50  # map50(M)
    metrics.seg.map75  # map75(M)
    metrics.seg.maps   # una lista contiene map50-95(M) de cada categoría
    ```
=== "CLI"

    ```bash
    yolo segment val model=yolov8n-seg.pt  # validar el modelo oficial
    yolo segment val model=ruta/a/mejor.pt  # validar el modelo personalizado
    ```

Predicción

Usa un modelo YOLOv8n-seg entrenado para realizar predicciones en imágenes.

!!! Example "Ejemplo"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n-seg.pt')  # cargar un modelo oficial
    model = YOLO('ruta/a/mejor.pt')  # cargar un modelo personalizado

    # Predecir con el modelo
    results = model('https://ultralytics.com/images/bus.jpg')  # predecir en una imagen
    ```
=== "CLI"

    ```bash
    yolo segment predict model=yolov8n-seg.pt source='https://ultralytics.com/images/bus.jpg'  # predecir con el modelo oficial
    yolo segment predict model=ruta/a/mejor.pt source='https://ultralytics.com/images/bus.jpg'  # predecir con el modelo personalizado
    ```

Consulta todos los detalles del modo predict en la página de Predicción.

Exportación

Exporta un modelo YOLOv8n-seg a un formato diferente como ONNX, CoreML, etc.

!!! Example "Ejemplo"

=== "Python"

    ```python
    from ultralytics import YOLO

    # Cargar un modelo
    model = YOLO('yolov8n-seg.pt')  # cargar un modelo oficial
    model = YOLO('ruta/a/mejor.pt')  # cargar un modelo entrenado personalizado

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

    ```bash
    yolo export model=yolov8n-seg.pt format=onnx  # exportar el modelo oficial
    yolo export model=ruta/a/mejor.pt format=onnx  # exportar el modelo entrenado personalizado
    ```

Los formatos disponibles para exportar YOLOv8-seg se muestran en la tabla a continuación. Puedes predecir o validar directamente en modelos exportados, es decir, yolo predict model=yolov8n-seg.onnx. Se muestran ejemplos de uso para tu modelo después de que se completa la exportación.

Formato	Argumento format	Modelo	Metadatos	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

Consulta todos los detalles del modo export en la página de Exportación.