YOLO11 实例分割

• 花匠小妙招
• 2024-12-24 10:04

本文分享使用YOLO11进行实例分割时，实现模型推理预标注、自动标注、标签格式转换、以及使用Labelme手动校正标签等功能。

目录

1、预训练权重

2、生成预标注

3、生成json标注文件

4、手动校正标签

5、Labelme的json转为YOLO的txt

6、迭代优化模型（可选）

1、预训练权重

首先我们去官网下载，YOLO11实例分割的预训练权重，如下表格式所示：

下载地址：https://github.com/ultralytics/ultralytics

Modelsize
(pixels)mAPbox
50-95mAPmask
50-95Speed
CPU ONNX
(ms)Speed
T4 TensorRT10
(ms)params
(M)FLOPs
(B)YOLO11n-seg64038.932.065.9 ± 1.11.8 ± 0.02.910.4YOLO11s-seg64046.637.8117.6 ± 4.92.9 ± 0.010.135.5YOLO11m-seg64051.541.5281.6 ± 1.26.3 ± 0.122.4123.3YOLO11l-seg64053.442.9344.2 ± 3.27.8 ± 0.227.6142.2YOLO11x-seg64054.743.8664.5 ± 3.215.8 ± 0.762.1319.0

然后基于预训练权重，准备自己的数据集，进行模型训练

最终，得到效果更好的模型权重（xxx.pt或xxx.onnx）

2、生成预标注

前面得到了效果更好的模型权重，这里用它来对新的图片，进行推理，同时生成实例分割的信息。

模型推理的代码，如下所示：

from ultralytics import YOLO

model = YOLO(r"runs/segment/train3/weights/best.pt")

results = model.predict(

source="datasets/seg_20241013/images/",

conf=0.45,

iou=0.6,

imgsz=640,

half=False,

device=None,

max_det=300,

vid_stride=1,

stream_buffer=False,

visualize=False,

augment=False,

agnostic_nms=False,

classes=None,

retina_masks=False,

embed=None,

show=False,

save=True,

save_frames=False,

save_txt=True,

save_conf=False,

save_crop=False,

show_labels=True,

show_conf=True,

show_boxes=True,

line_width=None

)

需要修改model = YOLO(r"runs/segment/train3/weights/best.pt")中的权重路径，替换为自己训练的同时需要修改source="datasets/seg_20241013/images/", 这里是指新的图片，即待标注的图片其他推理参数，根据任务情况，自行修改了；比如：置信度conf、iou、图像大小imgsz等等。

推理完成后，会保留实例分割的结果图像、标签信息文件夹（labels），它们是同一级文件夹的

- runs/segment/predict/

        - labels（这个文件夹是存放推理的分割信息，作为预标注的标签信息）

        - picture1.jpg

        - picture2.jpg

                .....

        - pictureN.jpg

3、生成json标注文件

在实例分割中，我们使用Labelme工具进行标注，选择“创建多边形”，对物体进行分割信息标注。

生成JSON标注文件，是因为这样能使用Labelme，可视化检查预标注的结果，方便人工手动修正标签

示例1，类别数量比较少，可以直接定义的：

import os

import json

import cv2

LABELS = ["class1", "class2"]

def yolo11_to_labelme(txt_file, img_file, save_dir, labels):

"""

将YOLO11格式的分割标签文件转换为Labelme格式的JSON文件。

参数：

- txt_file (str): YOLO11标签的txt文件路径。

- img_file (str): 对应的图像文件路径。

- save_dir (str): JSON文件保存目录。

- labels (list): 类别标签列表。

"""

img = cv2.imread(img_file)

height, width, _ = img.shape

labelme_data = {

"version": "4.5.9",

"flags": {},

"shapes": [],

"imagePath": os.path.basename(img_file),

"imageHeight": height,

"imageWidth": width,

"imageData": None

}

with open(txt_file, "r") as file:

for line in file.readlines():

data = line.strip().split()

class_id = int(data[0])

points = list(map(float, data[1:]))

polygon = []

for i in range(0, len(points), 2):

x = points[i] * width

y = points[i + 1] * height

polygon.append([x, y])

shape = {

"label": labels[class_id],

"points": polygon,

"group_id": None,

"shape_type": "polygon",

"flags": {}

}

labelme_data["shapes"].append(shape)

save_path = os.path.join(save_dir, os.path.basename(txt_file).replace(".txt", ".json"))

with open(save_path, "w") as json_file:

json.dump(labelme_data, json_file, indent=4)

def convert_yolo11_to_labelme(txt_folder, img_folder, save_folder):

"""

读取文件夹中的所有txt文件，将YOLO11标签转为Labelme的JSON格式。

参数：

- txt_folder (str): 存放YOLO11 txt标签文件的文件夹路径。

- img_folder (str): 存放图像文件的文件夹路径。

- save_folder (str): 保存转换后的JSON文件的文件夹路径。

"""

labels = LABELS

if not os.path.exists(save_folder):

os.makedirs(save_folder)

for txt_file in os.listdir(txt_folder):

if txt_file.endswith(".txt"):

txt_path = os.path.join(txt_folder, txt_file)

img_file = txt_file.replace(".txt", ".png")

img_path = os.path.join(img_folder, img_file)

if os.path.exists(img_path):

yolo11_to_labelme(txt_path, img_path, save_folder, labels)

print(f"已成功转换: {txt_file} -> JSON文件")

else:

print(f"图像文件不存在: {img_path}")

txt_folder = r"labels_txt"

img_folder = r"point-offer-datasetsv2"

save_folder = r"labels_json"

convert_yolo11_to_labelme(txt_folder, img_folder, save_folder)

首先修改类别映射，比如：

LABELS = ["person", "bicycle", "car"]

然后修改一下代码中的参数：

txt_folder = r"./datasets/seg-datasetsv2/labels"

img_folder = r"./datasets/seg-datasetsv2/images"

save_folder = r"labels_json"

运行代码，会生成用于YOLO11分割的JSON标签文件。

示例2，类别数量比较多，需要用yaml文件指定类别映射情况

示例代码如下所示：

import os

import json

import yaml

import cv2

def load_labels_from_yaml(yaml_file):

"""

从YAML文件中加载类别标签。

参数：

- yaml_file (str): YAML文件的路径。

返回值：

- labels (list): 类别标签列表。

"""

with open(yaml_file, "r", encoding="utf-8") as file:

yaml_content = yaml.safe_load(file)

labels = [label for _, label in yaml_content['names'].items()]

return labels

def yolo11_to_labelme(txt_file, img_file, save_dir, labels):

"""

将YOLO11格式的分割标签文件转换为Labelme格式的JSON文件。

参数：

- txt_file (str): YOLO11标签的txt文件路径。

- img_file (str): 对应的图像文件路径。

- save_dir (str): JSON文件保存目录。

- labels (list): 类别标签列表。

"""

img = cv2.imread(img_file)

height, width, _ = img.shape

labelme_data = {

"version": "4.5.9",

"flags": {},

"shapes": [],

"imagePath": os.path.basename(img_file),

"imageHeight": height,

"imageWidth": width,

"imageData": None

}

with open(txt_file, "r") as file:

for line in file.readlines():

data = line.strip().split()

class_id = int(data[0])

points = list(map(float, data[1:]))

polygon = []

for i in range(0, len(points), 2):

x = points[i] * width

y = points[i + 1] * height

polygon.append([x, y])

shape = {

"label": labels[class_id],

"points": polygon,

"group_id": None,

"shape_type": "polygon",

"flags": {}

}

labelme_data["shapes"].append(shape)

save_path = os.path.join(save_dir, os.path.basename(txt_file).replace(".txt", ".json"))

with open(save_path, "w") as json_file:

json.dump(labelme_data, json_file, indent=4)

def convert_yolo11_to_labelme(txt_folder, img_folder, save_folder, yaml_file):

"""

读取文件夹中的所有txt文件，将YOLO11标签转为Labelme的JSON格式。

参数：

- txt_folder (str): 存放YOLO11 txt标签文件的文件夹路径。

- img_folder (str): 存放图像文件的文件夹路径。

- save_folder (str): 保存转换后的JSON文件的文件夹路径。

- yaml_file (str): YAML文件的路径，用于读取类别标签。

"""

labels = load_labels_from_yaml(yaml_file)

if not os.path.exists(save_folder):

os.makedirs(save_folder)

for txt_file in os.listdir(txt_folder):

if txt_file.endswith(".txt"):

txt_path = os.path.join(txt_folder, txt_file)

img_file = txt_file.replace(".txt", ".jpg")

img_path = os.path.join(img_folder, img_file)

if os.path.exists(img_path):

yolo11_to_labelme(txt_path, img_path, save_folder, labels)

print(f"已成功转换: {txt_file} -> JSON文件")

else:

print(f"图像文件不存在: {img_path}")

txt_folder = r"./datasets/coco8-seg/labels/val"

img_folder = r"./datasets/coco8-seg/images/val"

save_folder = r"./datasets/coco8-seg/labels_json/val"

yaml_file = r"coco8-seg.yaml"

convert_yolo11_to_labelme(txt_folder, img_folder, save_folder, yaml_file)

修改一下代码中的参数：

txt_folder = r"./datasets/coco8-seg/labels/val"

img_folder = r"./datasets/coco8-seg/images/val"

save_folder = r"./datasets/coco8-seg/labels_json/val"

yaml_file = r"coco8-seg.yaml"

示例xxx.yaml文件内容，如下所示：

path: ../datasets/coco8-seg

train: images/train

val: images/val

names:

0: person

1: bicycle

2: car

3: motorcycle

4: airplane

5: bus

6: train

7: truck

8: boat

9: traffic light

10: fire hydrant

4、手动校正标签

生成了JSON文件后，把图像和JSON文件放在同一个文件夹中

然后打开Labelme工具，选择“编辑多边形”，对物体进行分割信息修改

修改完成后，点击“Save"保存修正后的标注信息

5、Labelme的json转为YOLO的txt

这里把Labelme的json转为YOLO的txt，是因为用修正后数据，作为新的数据，加入旧数据中；

重新训练之前的模型权重，这样模型会学得更好，迭代优化模型。

 首先了解YOLO11的分割标签格式，如下所示：

<class-index>  <x1> <y1> <x2> <y2> ... <xn> <yn>

说明：这个格式不但适用于YOLO11、YOLOv8、YOLOv5，还适用于ultralytics工程中其他版本的YOLO。  

下面详细分析一下分割标签格式：

<class-index> 这是目标对象的类别索引，用于表示当前对象属于哪个类别。

格式：整数值，代表特定的目标类别。通常是在数据集中为每个类别分配的唯一编号。例如：0 代表“汽车”、1 代表“行人”、2 代表“交通灯”。

<x1> <y1> <x2> <y2> ... <xn> <yn>  这些是多边形顶点的归一化坐标，用于描述目标对象的分割掩膜。

格式：一对一对的浮点数，表示多边形顶点的 x 和 y 坐标。坐标是归一化的，即值范围在 [0, 1] 之间，分别表示相对于图像的宽度和高度。<x1> <y1>：多边形的第一个顶点，x1 表示该顶点的横坐标，y1 表示该顶点的纵坐标。<x2> <y2>：多边形的第二个顶点，依次类推。<xn> <yn>：多边形的第 n 个顶点。

示例数据：0 0.15 0.20 0.35 0.25 0.30 0.40 0.10 0.30

这个示例中，假设有一个目标，它的类别索引是 0（表示某个物体，比如汽车），并且它的分割掩膜有 4 个顶点，归一化坐标。

了解YOLO11的分割标签txt文件后，通过下面代码，把Labelme的json转为YOLO的txt

import json

import os

'''

任务：实例分割，labelme的json文件, 转txt文件

Ultralytics YOLO format

<class-index> <x1> <y1> <x2> <y2> ... <xn> <yn>

'''

label_to_class_id = {

"class_1": 0,

"class_2": 1,

"class_3": 2,

}

def convert_labelme_json_to_yolo(json_file, output_dir, img_width, img_height):

with open(json_file, 'r') as f:

labelme_data = json.load(f)

file_name = os.path.splitext(os.path.basename(json_file))[0]

txt_file_path = os.path.join(output_dir, f"{file_name}.txt")

with open(txt_file_path, 'w') as txt_file:

for shape in labelme_data['shapes']:

label = shape['label']

points = shape['points']

class_id = label_to_class_id.get(label)

if class_id is None:

print(f"Warning: Label '{label}' not found in class mapping. Skipping.")

continue

normalized_points = [(x / img_width, y / img_height) for x, y in points]

txt_file.write(f"{class_id}")

for point in normalized_points:

txt_file.write(f" {point[0]:.6f} {point[1]:.6f}")

txt_file.write("n")

if __name__ == "__main__":

json_dir = "json_labels"

output_dir = "labels"

img_width = 640

img_height = 640

if not os.path.exists(output_dir):

os.makedirs(output_dir)

for json_file in os.listdir(json_dir):

if json_file.endswith(".json"):

json_path = os.path.join(json_dir, json_file)

convert_labelme_json_to_yolo(json_path, output_dir, img_width, img_height)

首先修改类别映射，比如

label_to_class_id = {

"person": 0,

"bicycle": 1,

"car": 2,

}

然后修改一下代码中的参数： 

需要修改json_dir 的路径，它用来存放 LabelMe标注的JSON文件需要修改output_dir 的路径，输出的YOLO格式txt文件目录img_width 和 img_height，默认是640，分别指图片的宽度和高度，根据实际图片尺寸修改即可

运行代码，会生成用于YOLO11分割的txt标签文件。

6、迭代优化模型（可选）

然后，可以迭代优化模型。用修正后数据，作为新的数据，加入旧数据中；

重新训练之前的模型权重，这样模型会学得更好，迭代优化模型。

YOLO11实例分割-训练模型参考我这篇文章：

https://blog.csdn.net/qq_41204464/article/details/142880722?spm=1001.2014.3001.5501

 YOLO11相关文章推荐：

一篇文章快速认识YOLO11 | 关键改进点 | 安装使用 | 模型训练和推理-CSDN博客

一篇文章快速认识 YOLO11 | 实例分割 | 模型训练 | 自定义数据集-CSDN博客

YOLO11模型推理 | 目标检测与跟踪 | 实例分割 | 关键点估计 | OBB旋转目标检测-CSDN博客

YOLO11模型训练 | 目标检测与跟踪 | 实例分割 | 关键点姿态估计-CSDN博客

分享完成~

相关知识

基于实例分割的柑橘花朵识别及花量统计
shell 字符串分割与连接
【图像分割】基于阈值法实现大脑图像分割附Matlab代码
嫁妆花了离婚怎么分割财产
大花萱草组培快繁技术实例
实例学习别墅庭院植物景观设计，强烈推荐你看
用于组培苗分割
法国园林实例
花卉的分割繁殖法
pandas的字符串的分割之str.split()

网址: YOLO11 实例分割 https://m.huajiangbk.com/newsview1263579.html

上一篇: 组织石蜡包埋和切片技术

下一篇: HE染色常见问题与解决对策