YOLOv9 分割一行命令跑出实例/全景分割【免费下载链接】yolov9Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information项目地址: https://gitcode.com/GitHub_Trending/yo/yolov9检测只告诉你马在哪里分割还要告诉你马占着哪些像素。掩码就是给每个物体描的像素级轮廓实例分割就是“每个框自带一张掩码”的版本。YOLOv9 仓库把实例分割和全景分割的入口都放在了一起你只需选对应的脚本和权重一条命令就能同时拿到框和掩码。想搞明白 YOLOv9 如何部署分割能力可以从这里开始。先看效果一条命令跑通分割先把仓库git clone https://gitcode.com/GitHub_Trending/yo/yolov9到本地装好requirements.txt里的依赖。再从项目发布页下载yolov9-c-dseg.pt权重放到仓库根目录。然后运行python segment/predict.py --weights yolov9-c-dseg.pt --source data/images/horses.jpg跑完标注后的结果图会保存在runs/predict-seg/exp下文件名和输入图一致。权重名里的后缀对应模型规模从 -c 起步就够模型越小跑得越快。处理对象就是仓库自带的这张马匹图看看效果长什么样这张图是仓库默认给出的检测效果每匹马都标出了边界框和置信度0.90 到 0.95 的数值写在框边框体贴合了重叠个体的躯干和头部。分割命令保存的文件结构相同只是多叠一层彩色掩码掩码边缘跟着马身轮廓走多匹马交叠的区域也能各自分开。如果任务还要理解背景全景分割就是下一站马有框草地和天空也各归各的区域。调掩码看哪几个参数参数默认值调高还是调低影响什么--conf-thres0.25调高只保留更确定的框画面更干净--iou-thres0.45调高NMS 更狠相邻马的重复框更少--imgsz640调高小目标掩码更稳单帧更慢--retina-masks关开启掩码按原图分辨率渲染边缘更清晰前两个参数是配合着用的先提 conf 丢掉不确定的检测再提 iou 去掉重复框。网络结构由 YAML 定义实例分割看 models/segment/yolov9-c-dseg.yaml全景分割看 models/panoptic/gelan-c-pan.yaml换模型规模就是换文件的事。全景分割的命令结构也一样python panoptic/predict.py --weights gelan-c-pan.pt --source data/images/horses.jpg底层动了什么掩码分支挂在主干上的一层检测主干没动差异在 head 的最后一层。配置里它长这样# head 的最后一行 [[31, 34, 37, 16, 19, 22, 40, 43], 1, DualDSegment, [nc, 32, 256]]主干和 head 的 8 个尺度特征送进 DualDSegment它顺带输出 32 个原型特征以及框、类别和掩码系数。32 个原型就像 32 张基础轮廓每个物体的掩码由它们加权组合而成这是掩码分支成本很低的缘故。检测分支保持原样掩码分支其实就一层挂上去的东西参数只多了约 2M。全景分割在此基础上再管语义和 stuff 区域配置里换成一个Panoptic层。至于主干本身下图里它在相同参数量下 AP 处于前列这是它适合做多任务基座的理由之一往哪走三个扩展方向批量处理目录把--source指向文件夹再加--save-txt整批图像一次跑完入口仍是 segment/predict.py。自训模型准备好自己的数据后把segment/train.py的--data换成自己的数据 YAML网络规模在对应的模型 YAML 里改。可视化扩展想换掩码配色或绘制方式看 utils/segment/plots.py绘制逻辑和线宽参数都在那里。到这里YOLOv9 的分割能力就算跑通了一条命令出推理一份 YAML 定网络一个脚本做训练。训练与评估的更多细节去 README.md 里翻就行。【免费下载链接】yolov9Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information项目地址: https://gitcode.com/GitHub_Trending/yo/yolov9创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 YOLOv9 分割：一行命令跑出实例/全景分割
YOLOv9 分割一行命令跑出实例/全景分割【免费下载链接】yolov9Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information项目地址: https://gitcode.com/GitHub_Trending/yo/yolov9检测只告诉你马在哪里分割还要告诉你马占着哪些像素。掩码就是给每个物体描的像素级轮廓实例分割就是“每个框自带一张掩码”的版本。YOLOv9 仓库把实例分割和全景分割的入口都放在了一起你只需选对应的脚本和权重一条命令就能同时拿到框和掩码。想搞明白 YOLOv9 如何部署分割能力可以从这里开始。先看效果一条命令跑通分割先把仓库git clone https://gitcode.com/GitHub_Trending/yo/yolov9到本地装好requirements.txt里的依赖。再从项目发布页下载yolov9-c-dseg.pt权重放到仓库根目录。然后运行python segment/predict.py --weights yolov9-c-dseg.pt --source data/images/horses.jpg跑完标注后的结果图会保存在runs/predict-seg/exp下文件名和输入图一致。权重名里的后缀对应模型规模从 -c 起步就够模型越小跑得越快。处理对象就是仓库自带的这张马匹图看看效果长什么样这张图是仓库默认给出的检测效果每匹马都标出了边界框和置信度0.90 到 0.95 的数值写在框边框体贴合了重叠个体的躯干和头部。分割命令保存的文件结构相同只是多叠一层彩色掩码掩码边缘跟着马身轮廓走多匹马交叠的区域也能各自分开。如果任务还要理解背景全景分割就是下一站马有框草地和天空也各归各的区域。调掩码看哪几个参数参数默认值调高还是调低影响什么--conf-thres0.25调高只保留更确定的框画面更干净--iou-thres0.45调高NMS 更狠相邻马的重复框更少--imgsz640调高小目标掩码更稳单帧更慢--retina-masks关开启掩码按原图分辨率渲染边缘更清晰前两个参数是配合着用的先提 conf 丢掉不确定的检测再提 iou 去掉重复框。网络结构由 YAML 定义实例分割看 models/segment/yolov9-c-dseg.yaml全景分割看 models/panoptic/gelan-c-pan.yaml换模型规模就是换文件的事。全景分割的命令结构也一样python panoptic/predict.py --weights gelan-c-pan.pt --source data/images/horses.jpg底层动了什么掩码分支挂在主干上的一层检测主干没动差异在 head 的最后一层。配置里它长这样# head 的最后一行 [[31, 34, 37, 16, 19, 22, 40, 43], 1, DualDSegment, [nc, 32, 256]]主干和 head 的 8 个尺度特征送进 DualDSegment它顺带输出 32 个原型特征以及框、类别和掩码系数。32 个原型就像 32 张基础轮廓每个物体的掩码由它们加权组合而成这是掩码分支成本很低的缘故。检测分支保持原样掩码分支其实就一层挂上去的东西参数只多了约 2M。全景分割在此基础上再管语义和 stuff 区域配置里换成一个Panoptic层。至于主干本身下图里它在相同参数量下 AP 处于前列这是它适合做多任务基座的理由之一往哪走三个扩展方向批量处理目录把--source指向文件夹再加--save-txt整批图像一次跑完入口仍是 segment/predict.py。自训模型准备好自己的数据后把segment/train.py的--data换成自己的数据 YAML网络规模在对应的模型 YAML 里改。可视化扩展想换掩码配色或绘制方式看 utils/segment/plots.py绘制逻辑和线宽参数都在那里。到这里YOLOv9 的分割能力就算跑通了一条命令出推理一份 YAML 定网络一个脚本做训练。训练与评估的更多细节去 README.md 里翻就行。【免费下载链接】yolov9Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information项目地址: https://gitcode.com/GitHub_Trending/yo/yolov9创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考