Commencer

Segmentation d’instances avec Ultralytics YOLO

Ultralytics YOLO instance segmentation examples

La segmentation d’instances va plus loin que la détection d’objets : elle consiste à identifier les objets individuels d’une image et à les séparer du reste de l’image.

La sortie d'un modèle de segmentation d'instances est un ensemble de masques ou de contours qui délimitent chaque objet de l'image, accompagné des étiquettes de classe et des scores de confiance de chaque objet. La segmentation d'instances est utile si tu dois connaître non seulement l'emplacement des objets dans une image, mais aussi leur forme exacte.



Regarder : Effectuer une segmentation avec un modèle Ultralytics YOLO préentraîné dans Python.
Conseil

Les modèles YOLO26 Segment utilisent le suffixe -seg, par exemple yolo26n-seg.pt, et sont préentraînés sur COCO.

Modèles#

Les modèles YOLO26 Segment préentraînés sur le jeu de données COCO sont présentés ci-dessous.

Les modèles sont automatiquement téléchargés depuis la dernière version d’Ultralytics lors de leur première utilisation.

Modèletaille
(pixels)
mAPboîte50-95
(e2e)
mAPmasque50-95
(e2e)
Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(M)
FLOPs
(B)
YOLO26n-seg64039.633.953.3 ± 0.52.1 ± 0.02.79.3
YOLO26s-seg64047.340.0118.4 ± 0.93.3 ± 0.010.434.5
YOLO26m-seg64052.544.1328.2 ± 2.46.7 ± 0.123.6121.7
YOLO26l-seg64054.445.5387.0 ± 3.78.0 ± 0.128.0140.1
YOLO26x-seg64056.547.0787.0 ± 6.816.4 ± 0.162.8314.0
  • Les valeurs mAPval correspondent à une évaluation à échelle unique avec un seul modèle sur le jeu de données COCO val2017.
    Reproduis les résultats avec yolo segment val data=coco.yaml device=0 nms=False
  • Vitesse moyenne calculée sur les images COCO val avec ONNX sur CPU et TensorRT10 sur un GPU NVIDIA T4.
    Reproduis-la avec yolo segment val data=coco.yaml batch=1 device=0|cpu nms=False
  • Les valeurs Params et FLOPs correspondent aux modèles fusionnés après la fusion Conv/BatchNorm et la suppression de la branche de détection inutilisée. Les checkpoints préentraînés conservent l’architecture d’entraînement complète et peuvent afficher des valeurs plus élevées.

Ces checkpoints segmentent les 80 classes de COCO. Pour segmenter des catégories ne figurant pas dans cette liste sans réentraînement, consulte YOLOE, qui accepte les classes sous forme d’invite textuelle, d’exemple visuel ou de vocabulaire intégré.

Consulte l’aperçu non publié de YOLO27 pour découvrir les résultats préliminaires sur les boîtes et les masques COCO.

Entraînement#

Entraîne un modèle YOLO26n-seg sur le jeu de données COCO8-seg pendant 100 époques avec une taille d’image de 640.

Exemple
from ultralytics import YOLO

# Charger un modèle
model = YOLO("yolo26n-seg.yaml")  # créer un nouveau modèle à partir du fichier YAML
model = YOLO("yolo26n-seg.pt")  # charger un modèle préentraîné (recommandé pour l’entraînement)
model = YOLO("yolo26n-seg.yaml").load("yolo26n-seg.pt")  # créer à partir du fichier YAML et transférer les poids

# Entraîner le modèle
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

Consulte la page Entraînement pour obtenir tous les détails du mode train. Tu peux également entraîner les modèles de segmentation avec l’entraînement cloud d’Ultralytics Platform.

Format du jeu de données#

Le guide des jeux de données décrit en détail le format des jeux de données de segmentation YOLO. Pour convertir un jeu de données JSON COCO existant au format YOLO, utilise la fonction intégrée convert_coco avec use_segments=True, comme indiqué dans le guide de conversion de COCO vers YOLO. Tu peux aussi créer des masques de segmentation avec l’annotation Ultralytics Platform, grâce aux outils de polygones et à l’annotation intelligente basée sur SAM.

Validation#

Valide la précision du modèle YOLO26n-seg entraîné, mesurée par la précision moyenne (mAP) des boîtes et des masques. Aucun argument n'est nécessaire, car model conserve ses paramètres data d'entraînement et ses arguments en tant qu'attributs du modèle : path/to/best.pt de l'exemple Train effectue la validation sur COCO8-seg. Les poids officiels indiquent un chemin vers un jeu de données d'entraînement inexistant sur ta machine ; ils utilisent donc le coco8-seg.yaml par défaut de la tâche et affichent un avertissement. Passe data pour valider sur un autre jeu de données.

Exemple
from ultralytics import YOLO

# Charger un modèle
model = YOLO("yolo26n-seg.pt")  # charger un modèle officiel
model = YOLO("path/to/best.pt")  # charger un modèle personnalisé

# Valider le modèle
metrics = model.val()  # aucun argument nécessaire, le jeu de données et les paramètres sont mémorisés
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # mAP50-95(B) par classe ; les classes absentes de l’ensemble de validation reçoivent la valeur du mAP(B) global
metrics.box.ap_class_index  # indices des classes réellement évaluées
metrics.box.image_metrics  # dictionnaire de métriques par image pour la détection, avec précision, rappel, F1, TP, FP et FN
metrics.seg.map  # map50-95(M)
metrics.seg.map50  # map50(M)
metrics.seg.map75  # map75(M)
metrics.seg.maps  # mAP50-95(M) par classe ; les classes absentes de l’ensemble de validation reçoivent la valeur du mAP(M) global
metrics.seg.ap_class_index  # indices des classes réellement évaluées
metrics.seg.image_metrics  # dictionnaire de métriques par image pour la segmentation, avec précision, rappel, F1, TP, FP et FN

Prédiction#

Utilise un modèle YOLO26n-seg entraîné pour effectuer des prédictions sur des images.

Exemple
from ultralytics import YOLO

# Charger un modèle
model = YOLO("yolo26n-seg.pt")  # charger un modèle officiel
model = YOLO("path/to/best.pt")  # charger un modèle personnalisé

# Effectuer des prédictions avec le modèle
results = model("https://ultralytics.com/images/bus.jpg")  # effectuer une prédiction sur une image

# Accéder aux résultats
for result in results:
    xy = result.masks.xy  # polygones de masque en coordonnées pixel
    xyn = result.masks.xyn  # polygones de masque normalisés
    masks = result.masks.data  # masques binaires, forme (N,H,W), dtype torch.uint8

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

Sortie des résultats#

La segmentation d’instances YOLO renvoie un objet Results par image. Chaque résultat stocke les prédictions au niveau des objets, où chaque instance détectée possède son propre masque binaire, sa classe, son score de confiance et sa boîte.

AttributTypeFormeDescription
result.masksMasks(N)Masques d’instance.
result.masks.datatorch.uint8(N,H,W)Masques binaires, valeurs 0 ou 1.
result.masks.xynp.float32list[(P,2)]Polygones en pixels.
result.masks.xynnp.float32list[(P,2)]Polygones normalisés.
result.boxesBoxes(N)Boîtes/classes/scores de confiance des instances.
result.boxes.clstorch.float32(N,)ID de classe ; convertis-les en int pour obtenir les noms.

Pour connaître les champs Results propres à chaque tâche, consulte la section Résultats des prédictions par tâche.

Segmentation d’instances et segmentation sémantique#

La segmentation d’instances segmente les objets individuellement : deux voitures produisent deux masques, deux boîtes et deux scores de confiance. La segmentation sémantique classe les pixels : ces mêmes voitures deviennent des pixels portant le même ID de classe dans une carte de classes de la taille de l’image, sans boîtes par objet, scores de confiance ni liste de polygones par défaut. Consulte la comparaison détaillée champ par champ sur la page consacrée à la segmentation sémantique.

Export#

Exporte un modèle YOLO26n-seg dans un autre format, comme ONNX, CoreML, etc.

Exemple
from ultralytics import YOLO

# Charger un modèle
model = YOLO("yolo26n-seg.pt")  # charger un modèle officiel
model = YOLO("path/to/best.pt")  # charger un modèle personnalisé

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

Les formats d'exportation YOLO26-seg disponibles sont indiqués dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format à l'aide de l'argument format, par exemple format='onnx' ou format='engine'. Tu peux lancer directement des prédictions ou la validation sur les modèles exportés, par exemple avec yolo predict model=yolo26n-seg.onnx. Des exemples d'utilisation de ton modèle s'affichent une fois l'exportation terminée.

Remarque

CoreML prend en charge la NMS intégrée (nms=True) pour la détection, la segmentation d’instances et la pose avec des formes statiques. Les exportations de segmentation par défaut (nms=None) laissent la NMS à la charge du consommateur.

FormatArgument formatModèleMétadonnéesArguments
PyTorch-yolo26n-seg.pt✅-
TorchScripttorchscriptyolo26n-seg.torchscript✅imgsz, quantize, dynamic, nms, batch, device
ONNXonnxyolo26n-seg.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n-seg_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
TensorRTengineyolo26n-seg.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
CoreMLcoremlyolo26n-seg.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
Apple Core AIcoreaiyolo26n-seg.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n-seg_saved_model/✅imgsz, quantize, opset, nms, batch, data, fraction, device
TF GraphDefpbyolo26n-seg.pb❌imgsz, opset, batch, device
TF Edge TPUedgetpuyolo26n-seg_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
LiteRTlitertyolo26n-seg.tflite✅imgsz, quantize, batch, data, fraction, device
PaddlePaddlepaddleyolo26n-seg_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n-seg.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n-seg_ncnn_model/✅imgsz, quantize, device
IMX500imxyolo11n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n-seg_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n-seg_executorch_model/✅imgsz, quantize, batch, data, fraction, device
Axeleraaxelerayolo26n-seg_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n-seg_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
Qualcomm QNNqnnyolo26n-seg_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
Hailohailoyolo26n-seg_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n-seg_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n-seg_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device
NXPnxpyolo26n-seg_nxp.tflite✅imgsz, quantize, data, fraction, device
ST Edge AIstedgeaiyolo26n-seg_stedgeai.onnx✅imgsz, quantize, data, fraction, opset, simplify, device

nms=None utilise par défaut les sorties brutes pour une NMS externe (YOLO26 conserve sa tête sans NMS sur Axelera). Définis nms=False pour sélectionner une tête sans NMS disponible ; les formats non pris en charge reviennent à leur chemin de sortie natif. Les entrées nms ci-dessus identifient les formats qui peuvent intégrer la NMS avec nms=True.

Consulte tous les détails de export sur la page Exportation.

FAQ#

  • Pour entraîner un modèle de segmentation YOLO26 sur un jeu de données personnalisé, tu dois d'abord préparer ton jeu de données au format de segmentation YOLO. Tu peux utiliser l'utilitaire intégré convert_coco pour convertir les jeux de données JSON COCO. Une fois ton jeu de données prêt, tu peux entraîner le modèle à l'aide de Python ou de commandes CLI :

    Exemple
    from ultralytics import YOLO
    
    # Charger un modèle de segmentation YOLO26 préentraîné
    model = YOLO("yolo26n-seg.pt")
    
    # Entraîner le modèle
    results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)

    Consulte la page Configuration pour découvrir d’autres arguments disponibles.

  • La détection d'objets identifie et localise les objets dans une image en traçant des boîtes englobantes autour d'eux, tandis que la segmentation d'instances identifie les boîtes englobantes et délimite également la forme exacte de chaque objet. Les modèles de segmentation d'instances YOLO26 produisent des masques ou des contours qui délimitent chaque objet détecté. C'est particulièrement utile pour les tâches où la forme précise des objets est importante, comme l'imagerie médicale ou la conduite autonome.

  • Ultralytics YOLO26 allie une grande précision à une vitesse d'inférence en temps réel, ce qui le rend adapté à la segmentation d'instances sur des flux vidéo et des appareils Edge. Les modèles YOLO26 Segment sont préentraînés sur le jeu de données COCO : ils segmentent directement 80 classes d'objets courantes et constituent un excellent point de départ pour un affinage sur des données personnalisées. La même API YOLO couvre l'entraînement, la validation, les prédictions et l'exportation pour les applications de recherche et industrielles.

  • Le chargement et la validation d’un modèle de segmentation YOLO préentraîné sont simples. Voici comment procéder avec Python et la CLI :

    Exemple
    from ultralytics import YOLO
    
    # Charger un modèle préentraîné
    model = YOLO("yolo26n-seg.pt")
    
    # Valider le modèle
    metrics = model.val()
    print("Mean Average Precision for boxes:", metrics.box.map)
    print("Mean Average Precision for masks:", metrics.seg.map)

    Ces étapes te fourniront des métriques de validation comme la précision moyenne (mAP), la mesure standard des performances de segmentation.

  • L’exportation d’un modèle de segmentation YOLO au format ONNX est simple et peut s’effectuer avec Python ou des commandes CLI :

    Exemple
    from ultralytics import YOLO
    
    # Charger un modèle préentraîné
    model = YOLO("yolo26n-seg.pt")
    
    # Exporter le modèle au format ONNX
    model.export(format="onnx")

    Pour plus de détails sur l’exportation vers différents formats, consulte la page Exportation.

Commentaires418

Pose une question, partage tes résultats ou aide quelqu’un d’autre.

  1. hp0716GitHub

    Thank you for sharing the YOLOV11-seg model. I have encountered a problem now. When using YOLOV11 to segment my ID card, there are many uneven areas on the edges of the segmentation result, which affects my fitting of the card certificate boundary. How can I obtain smooth segmentation results? Do you have any parameters that can be directly configured?

    1
    1. hp0716GitHub

      Additionally, is there a method to fit the boundary of the ID card mask into four straight lines for locating the ID card?

    2. Glenn JocherUltralytics

      @hp0716 for smoother segmentation results on ID cards, try using retina_masks=True during inference to get higher resolution masks:

      from ultralytics import YOLO
      model = YOLO('yolo11n-seg.pt')
      results = model(image, retina_masks=True)

      For post-processing to get smooth boundaries, you can apply morphological operations and contour approximation:

      import cv2
      import numpy as np
      
      # Get mask from results
      mask = results[0].masks.data[0].cpu().numpy()
      mask = (mask * 255).astype(np.uint8)
      
      # Apply morphological smoothing
      kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
      mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)
      mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)
      
      # Find contours and approximate to quadrilateral
      contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
      if contours:
          largest_contour = max(contours, key=cv2.contourArea)
          epsilon = 0.02 * cv2.arcLength(largest_contour, True)
          approx = cv2.approxPolyDP(largest_contour, epsilon, True)
          
          # Force to 4 points for ID card corners
          if len(approx) >= 4:
              corners = approx[:4]

      This approach combines higher resolution masks with geometric fitting to achieve the straight-line boundaries you need for ID card localization.

      1
    1. rugvedjalitGitHub

      Yes, you can annotate using custom build model but please check the annotation class id after annotation.

  2. LwpZoeGitHub

    I have used yolo11x-seg.yaml to do instance segmentation on my dataset, my dataset is multiclassified medical endoscopic tissue instance segmentation task, but the metrics scores are very low, I don't know how to improve these metrics scores, can you please give me some ideas?

    1
    1. LwpZoeGitHub

      The metrics score with ShuffleAttention added to the tenth layer of backbone is reduced compared to the metrics score for YOLO11x-seg.yaml alone.

      Trained my dataset using YOLO11x-seg.yaml+ShuffleAttention with no other parameters changed the metrics scores are as follows:

      Class Images Instances Box( P R mAP50 mAP50-95) Mask( P R mAP50 mAP50-95): all 58 332 0.583 0.504 0.519 0.238 0.551 0.456 0.468 0.195

      Training my dataset using the official YOLO11x-seg.yaml alone, the metrics scores are as follows:

      Class Images Instances Box( P R mAP50 mAP50-95) Mask( P R mAP50 mAP50-95): all 58 332 0.669 0.465 0.489 0.257 0.648 0.446 0.455 0.217

      1
    2. Glenn JocherUltralytics(modifié)

      @LwpZoe thank you for sharing these details. For medical instance segmentation with YOLO11x-seg, we recommend: 1) Verify your dataset quality and annotation consistency using the Dataset Guide, 2) Try increasing input resolution (imgsz=1280) to capture fine tissue details, 3) Implement medical-specific augmentations like CLAHE or elastic transforms, and 4) Consider using our pretrained weights with progressive fine-tuning rather than architectural modifications initially. The segmentation documentation contains additional optimization strategies for medical imaging tasks.

  3. LwpZoeGitHub

    Hello, here's a question: I want to use YOLO11 to train my dataset from scratch and make predictions, and don't want to use prepared pre-trained weights, so how do I write the training commands? Is this code below ok: yolo segment train data=datasets/yolo_seg/data.yaml model=yolo11n-seg.yaml epochs=300 batch=16 resume=True imgsz=640 device=0,1

    1
    1. Glenn JocherUltralytics

      @LwpZoe your command is almost correct for training from scratch without pretrained weights. Ensure the resume=True argument is removed, as it is only used to resume interrupted training. The corrected command would be:

      yolo segment train data=datasets/yolo_seg/data.yaml model=yolo11n-seg.yaml epochs=300 batch=16 imgsz=640 device=0,1

      This will train your YOLO11 segmentation model from scratch using your custom dataset. For more details, visit the Segment Task Documentation.

    1. Paula DerrengerUltralytics

      To use two cameras for segmentation with a GPU, you'll need to set up a multi-threaded or multi-process pipeline to handle the video streams concurrently. Each camera stream can be processed in a separate thread or process, ensuring efficient utilization of the GPU. You can use the YOLO class from the Ultralytics library to load your segmentation model and process the frames from each camera. For detailed steps and code examples, please refer to the Ultralytics segmentation documentation. If you encounter any issues, make sure you're using the latest version of the package.

  4. BoaruzhanchikGitHub

    Hi, can you tell me how I can get the detected car plates in separate windows (as many as I have detected and output), my code outputs only one window.

    while True:
    ret, im0 = cap.read()
    if not ret:
    break
    results = model(im0,verbose=False,conf=0.4,retina_masks=True)
    boxes = results[0].boxes.xyxy.tolist()
    classes = results[0].boxes.cls.tolist()
    confidences = results[0].boxes.conf.tolist()
    masks = results[0].masks
    if results[0].masks is not None:
    clss = results[0].boxes.cls.cpu().tolist()
    masks = results[0].masks.xy
    coordinates_mask = masks[0]
    contour = coordinates_mask.reshape((-1, 1, 2)).astype(np.int32)
    epsilon = 0.04 * cv2.arcLength(contour, True)
    approx = cv2.approxPolyDP(contour, epsilon, True)
    auto_transform = four_point_transform(im0, approx.reshape(-2, 2))
    cv2.imshow('automated', auto_transform)
    1
    1. Paula DerrengerUltralytics

      @Boaruzhanchik hey there! 👋 To display each detected car plate in separate windows, you can loop through the detected boxes and create a window for each. Here's a quick example to get you started:

      for i, box in enumerate(boxes):
          x1, y1, x2, y2 = map(int, box[:4])
          plate = im0[y1:y2, x1:x2]
          cv2.imshow(f'Plate {i}', plate)
      cv2.waitKey(0)
      cv2.destroyAllWindows()

      This code snippet extracts each detected plate based on its bounding box coordinates and displays it in a new window. Make sure to replace im0 with your frame variable if it's named differently. Hope this helps! 😊

    2. BoaruzhanchikGitHub

      Thanks a lot for the help, I did it this way, it seems to work too

      if results[0].masks is not None:
          clss = results[0].boxes.cls.cpu().tolist()
          masks = results[0].masks.xy
          if len(masks) == 1:
               coordinates_mask = masks[0]
               auto_transformations_first(coordinates_mask)
          elif len(masks) <= 2:
                auto_transformations_first(coordinates_mask)
                coordinates_mask_2 = masks[1]
                auto_transformations_second_screen(coordinates_mask_2)
      def auto_transformations_first(coordinates_mask):
           contour = coordinates_mask.reshape((-1, 1, 2)).astype(np.int32)
           epsilon = 0.04 * cv2.arcLength(contour, True)
           approx = cv2.approxPolyDP(contour, epsilon, True)
           auto_transform = four_point_transform(im0, approx.reshape(-2, 2))
           cv2.imshow('automated_first', auto_transform)
    3. Paula DerrengerUltralytics

      @Boaruzhanchik hey there! 👋 It looks like you've found a way to handle different numbers of masks with your approach. Nicely done! 🎉 Just a quick tip: you might want to ensure coordinates_mask is defined before using it in auto_transformations_first(coordinates_mask) for the elif len(masks) <= 2: case, to avoid any potential errors. Other than that, your method seems solid. Keep up the great work, and if you have any more questions or need further assistance, feel free to ask. Happy coding! 😊

  5. uqasha524GitHub

    Hi everyone,

    We have fine-tuned a YOLO model primarily for segmentation, but our dataset contains mixed annotation types—the main task is segmentation, while some classes/regions use standard bounding boxes and OBB (Oriented Bounding Boxes).

    What is the recommended approach in Ultralytics for handling a dataset with mixed annotation formats in a single training pipeline, and could you explain how this is possible? Specifically, how should the data labels and model configuration be structured to handle multiple task types simultaneously?

    Any guidance, workflow explanations, or examples would be greatly appreciated!

    1. Glenn JocherUltralytics

      Ultralytics training uses one task per model (detect, segment, or obb), so mixed label formats cannot be trained jointly in a standard pipeline. Use separate label directories/YAML files and train separate models, or convert box/OBB annotations to polygon labels so every object follows the segmentation format; note that a segmentation model returns masks and axis-aligned boxes, not native OBB predictions.

      1
    2. rugvedjalitGitHub

      Ultralytics YOLO does not support mixing detection, segmentation, and OBB annotations in a single training run. Each model/task expects a specific label format and corresponding loss function.

      The recommended approach is to separate the annotations and train separate models for segmentation, detection, and OBB, then combine their outputs during inference if needed. A single multi-task model would require a custom architecture and training pipeline.

      1
    3. Glenn JocherUltralytics

      @uqasha524, do you need masks, axis-aligned boxes, and OBBs as distinct outputs at inference, or would segmentation outputs alone meet your requirements? That distinction will help us suggest the appropriate dataset structure without introducing unnecessary custom training work.

  6. TrieuCrisGitHub

    With yolo26-seg, when a small object is placed on top of a large object, I get a result where the mask of the large object is punctured right where the small object is covering it. How can I fix this?

    1. Glenn JocherUltralytics

      That’s usually expected with standard instance segmentation: yolo26-seg learns the visible region of each instance, so the larger object can appear “punctured” where it is occluded; if you want a filled large-object mask, you’ll need labels that include the full occluded shape or apply post-processing to r.masks after inference, and the segmentation object isolation guide shows where to access those masks—if you share one image plus its label here, the Ultralytics team can help confirm whether it’s annotation or model behavior.

  7. miracle101000GitHub

    hello if I wanted to use your segmentation model for inference on a live camera preview, to only detect a single item at a time, how would I go about it? thank you.

    1. Glenn JocherUltralytics

      Yes — use a -seg model on your webcam feed, set classes=[...] if you only want one class, and max_det=1 if you want at most one instance per frame; if you share your use case here, the Ultralytics team can help refine it, and the Segment task docs cover the mask outputs you’ll use.

      from ultralytics import YOLO
      
      model = YOLO("yolo26n-seg.pt")
      results = model.predict(source=0, stream=True, classes=[0], max_det=1)
    2. miracle101000GitHub

      Ok thx. I am actually trying to implement edge detection on android devices for rectangular objects. I have tried OpenCV but it's not enough. So I was thinking to use a segmentation model for my rectangular processor (overlay would only show on rectangular objects) but any time I try to implement this on android, I get serious lagging issues on the camera preview. Plus honestly new to this AI stuff.

    3. Glenn JocherUltralytics

      If you only need a rectangle-style overlay, a segmentation model is usually heavier than necessary on Android; I’d start with a small OBB or detect model instead, export it with Export mode, and keep imgsz low or run inference every few frames to reduce preview lag. If you share your device, export format, and current FPS here, the Ultralytics team can suggest the lightest setup.

  8. Heyujie96GitHub

    你是不是加载模型的时候没有写task=“segment”

    ------------------ Original ------------------ From: liyongkang2000 @.> Date: Sun,Feb 1,2026 1:12 AM To: ultralytics/ultralytics @.> Cc: Heyujie96 @.>, Comment @.> Subject: Re: [ultralytics/ultralytics] zh/tasks/segment/ (Discussion #8508)

    您好我想问一下,在YOLOV8和V11测试下来,由于目标框的存在,不管如果在后处理阶段调整目标框的范围,被分割目标的上下左右边界始终会被目标框切割,导致分割结果的边缘不平滑。会出现很多直线,但是在YOLOV26上没有尝试过,YOLOV26是否优化了这个边界问题,或者说是否其他的解决方法可以解决这个分割结果的边缘不平滑问题

    — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you commented.Message ID: @.***>

    1. liyongkang2000GitHub

      result = model.predict(os.path.join(path,file), nms = True, )这是我的预测代码是官方提供的呀

    2. Glenn JocherUltralytics

      你这段 predict() 用法本身没问题;一般也不需要手动写 task="segment",关键是确保加载的是分割权重(*-seg.pt),否则不会有 result.masks 输出;如果分割边缘出现“被框裁切/直线感强”的现象,可以在推理时尝试开启 retina_masks=True 并适当增大 imgsz(NMS 默认就会做,通常不需要单独传 nms=True),相关参数处理可参考 SegmentationPredictor 源码说明。

      from ultralytics import YOLO
      
      model = YOLO("yolo26n-seg.pt")  # 确保是 -seg 权重
      results = model.predict(
          os.path.join(path, file),
          retina_masks=True,
          imgsz=1024,
          conf=0.25,
          iou=0.7,
      )
    3. liyongkang2000GitHub

      您好,您的建议是有效的,但边界还是没有那么光滑,以及大目标效果更差,有时会出现正方形,您这边还有其他的解决方案吗?期待您的回复

    4. Glenn JocherUltralytics

      这个“边缘直线/大目标出现方块”的现象通常是分割头的掩码分辨率与“mask 会按预测框裁剪”的机制共同导致的(框越紧越容易看出裁剪痕迹,可参考这条 社区说明:inference 时 mask 是否会被 bbox 裁剪);如果你是自训练模型,想从根源提升大目标的边缘细节,建议在训练时把 mask_ratio 调小(更高 mask 分辨率)并配合更大的 imgsz/更大的 *-seg 模型,mask_ratio 参数说明见 配置参数文档。

      from ultralytics import YOLO
      
      model = YOLO("yolo26s-seg.pt")  # 也可以试试更大一点的 -seg 权重
      model.train(
          data="path/to/your_dataset.yaml",
          imgsz=1024,
          epochs=100,
          mask_ratio=2,  # 需要更细可再降到 1(显存占用会明显上升)
      )

      如果你只是想“导出/显示更光滑”的轮廓(不改变模型预测本身),可以按 Isolating Segmentation Objects 的方式拿到 result.masks.data 后做一次轻量的 blur + close 再取轮廓;另外麻烦贴一张出现“正方形”的原图和对应可视化结果,并附上 yolo checks 的文本输出,我这边可以帮你确认主要瓶颈是分辨率、标注轮廓质量还是框裁剪造成的。