Начать

Сегментация экземпляров с Ultralytics YOLO

Ultralytics YOLO instance segmentation examples

Сегментация экземпляров идет дальше обнаружения объектов: она позволяет находить отдельные объекты на изображении и отделять их от остальной части изображения.

На выходе модели сегментации экземпляров получается набор масок или контуров, очерчивающих каждый объект на изображении, а также метки классов и оценки уверенности для каждого объекта. Сегментация экземпляров полезна, когда нужно знать не только местоположение объектов на изображении, но и их точную форму.



Смотри: Запуск сегментации с предварительно обученной моделью Ultralytics YOLO в Python.
Совет

В названиях моделей YOLO26 Segment используется суффикс -seg, например yolo26n-seg.pt; модели предварительно обучены на COCO.

Модели#

Ниже представлены предварительно обученные на наборе данных COCO модели YOLO26 Segment.

Модели автоматически загружаются из последнего релиза Ultralytics при первом использовании.

Модельразмер
(пиксели)
mAPbox50-95
(e2e)
mAPmask50-95
(e2e)
Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(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
  • Значения mAPval рассчитаны для одной модели и одного масштаба на наборе данных COCO val2017.
    Воспроизвести результат можно с помощью yolo segment val data=coco.yaml device=0 nms=False
  • Скорость рассчитана как среднее значение по изображениям COCO val: ONNX на CPU и TensorRT10 на GPU NVIDIA T4.
    Воспроизведи результаты с помощью yolo segment val data=coco.yaml batch=1 device=0|cpu nms=False.
  • Значения Params и FLOPs указаны для объединённых моделей после свёртки Conv/BatchNorm и удаления неиспользуемой ветви обнаружения. Предварительно обученные контрольные точки сохраняют полную архитектуру обучения, поэтому их показатели могут быть выше.

Эти контрольные точки сегментируют 80 классов COCO. Чтобы сегментировать категории, не входящие в этот список, без повторного обучения, смотри YOLOE: модель принимает классы в виде текстового запроса, визуального примера или встроенного словаря.

Предварительные результаты по боксам и маскам COCO смотри в анонсе предстоящего YOLO27.

Обучение#

Обучи модель YOLO26n-seg на датасете COCO8-seg в течение 100 эпох с размером изображения 640.

Пример
from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-seg.yaml")  # создать новую модель из YAML
model = YOLO("yolo26n-seg.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)
model = YOLO("yolo26n-seg.yaml").load("yolo26n-seg.pt")  # создать модель из YAML и перенести веса

# Обучить модель
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

Полное описание режима train смотри на странице Train. Модели сегментации также можно обучать в облаке с помощью Ultralytics Platform.

Формат датасета#

Подробное описание формата наборов данных для сегментации YOLO смотри в руководстве по наборам данных. Чтобы преобразовать существующий набор данных COCO JSON в формат YOLO, используй встроенную функцию convert_coco с use_segments=True, как описано в руководстве по преобразованию COCO в YOLO. Ты также можешь создавать маски сегментации с помощью инструментов-полигонов и интеллектуальной разметки на основе SAM в Ultralytics Platform.

Валидация#

Проверь точность обученной модели YOLO26n-seg, измеряемую как средняя точность (mAP) рамок и масок. Аргументы не нужны: model сохраняет параметры обучения data и аргументы в атрибутах модели; path/to/best.pt из примера Train выполняет валидацию на COCO8-seg. В официальных весах указан путь к обучающему набору данных, которого нет на твоем компьютере, поэтому с предупреждением используется набор данных задачи по умолчанию coco8-seg.yaml. Передай data, чтобы выполнить валидацию на другом наборе данных.

Пример
from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-seg.pt")  # загрузить официальную модель
model = YOLO("path/to/best.pt")  # загрузить пользовательскую модель

# Валидировать модель
metrics = model.val()  # аргументы не нужны, набор данных и настройки сохранены
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # mAP50-95(B) для каждого класса; для классов, отсутствующих в валидационной выборке, используется общее значение mAP(B)
metrics.box.ap_class_index  # Индексы классов, которые фактически оценивались
metrics.box.image_metrics  # словарь метрик для каждого изображения для det с точностью, полнотой, F1, TP, FP и FN
metrics.seg.map  # map50-95(M)
metrics.seg.map50  # map50(M)
metrics.seg.map75  # map75(M)
metrics.seg.maps  # mAP50-95(M) для каждого класса; для классов, отсутствующих в валидационной выборке, используется общее значение mAP(M)
metrics.seg.ap_class_index  # Индексы классов, которые фактически оценивались
metrics.seg.image_metrics  # словарь метрик для каждого изображения для seg с точностью, полнотой, F1, TP, FP и FN

Предсказание#

Используй обученную модель YOLO26n-seg для предсказаний на изображениях.

Пример
from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-seg.pt")  # загрузить официальную модель
model = YOLO("path/to/best.pt")  # загрузить пользовательскую модель

# Получи предсказания с помощью модели
results = model("https://ultralytics.com/images/bus.jpg")  # получи предсказание для изображения

# Обратись к результатам
for result in results:
    xy = result.masks.xy  # полигоны масок в пиксельных координатах
    xyn = result.masks.xyn  # нормализованные полигоны масок
    masks = result.masks.data  # бинарные маски, форма (N,H,W), тип данных torch.uint8

Полное описание режима predict см. на странице Предсказание.

Результаты работы#

При сегментации экземпляров YOLO возвращает один объект Results для каждого изображения. Каждый результат содержит предсказания на уровне объектов: у каждого обнаруженного экземпляра есть собственная бинарная маска, класс, оценка уверенности и бокс.

АтрибутТипФормаОписание
result.masksMasks(N)Маски экземпляров.
result.masks.datatorch.uint8(N,H,W)Бинарные маски со значениями 0 или 1.
result.masks.xynp.float32list[(P,2)]Полигоны в пикселях.
result.masks.xynnp.float32list[(P,2)]Нормализованные полигоны.
result.boxesBoxes(N)Рамки, классы и оценки уверенности экземпляров.
result.boxes.clstorch.float32(N,)Идентификаторы классов; преобразуй их в int, чтобы получить названия.

Описание полей Results, специфичных для каждой задачи, см. в разделе Результаты предсказаний по задачам.

Сегментация экземпляров и семантическая сегментация#

Сегментация экземпляров — это сегментация на уровне объектов: для двух машин создаются две маски, два бокса и две оценки уверенности. Семантическая сегментация — это классификация на уровне пикселей: те же машины представлены пикселями с одинаковым ID класса на одной карте классов размером с изображение; боксы, оценки уверенности и список полигонов по умолчанию не формируются. Смотри сравнение по параметрам на странице о семантической сегментации.

Экспорт#

Экспортируй модель YOLO26n-seg в другой формат, например ONNX, CoreML и т. д.

Пример
from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-seg.pt")  # загрузить официальную модель
model = YOLO("path/to/best.pt")  # загрузить пользовательскую модель

# Экспортировать модель
model.export(format="onnx")

Доступные форматы экспорта YOLO26-seg перечислены в таблице ниже. Экспортировать модель в любой формат можно с помощью аргумента format, например format='onnx' или format='engine'. Ты можешь запускать предсказание или валидацию непосредственно на экспортированных моделях, например yolo predict model=yolo26n-seg.onnx. После завершения экспорта для твоей модели будут показаны примеры использования.

Примечание

CoreML поддерживает встроенный NMS (nms=True) для обнаружения объектов, сегментации экземпляров и оценки позы при статических размерах входа. В экспортированных по умолчанию моделях сегментации (nms=None) NMS выполняет принимающая сторона.

ФорматАргумент formatМодельМетаданныеАргументы
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 по умолчанию выдаёт необработанные выходные данные для внешней NMS (YOLO26 сохраняет голову без NMS на Axelera). Укажи nms=False, чтобы выбрать доступную голову без NMS; неподдерживаемые форматы используют собственный путь вывода. Записи nms выше указывают форматы, в которые можно встроить NMS с помощью nms=True.

Полное описание export смотри на странице экспорта.

Часто задаваемые вопросы#

  • Чтобы обучить модель сегментации YOLO26 на пользовательском наборе данных, сначала подготовь набор данных в формате сегментации YOLO. Для преобразования наборов данных COCO JSON можно использовать встроенную утилиту convert_coco. Когда набор данных будет готов, обучи модель с помощью Python или команд CLI:

    Пример
    from ultralytics import YOLO
    
    # Загрузи предварительно обученную модель сегментации YOLO26
    model = YOLO("yolo26n-seg.pt")
    
    # Обучить модель
    results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)

    Другие доступные аргументы смотри на странице Configuration.

  • Детекция объектов обнаруживает и локализует объекты на изображении, выделяя их ограничивающими рамками. Сегментация экземпляров не только определяет ограничивающие рамки, но и очерчивает точную форму каждого объекта. Модели YOLO26 для сегментации экземпляров создают маски или контуры вокруг каждого обнаруженного объекта. Это особенно полезно для задач, где важно знать точную форму объектов, например в медицинской визуализации или автономном вождении.

  • Ultralytics YOLO26 сочетает высокую точность с быстродействием инференса в реальном времени, поэтому подходит для сегментации экземпляров в видеопотоках и на граничных устройствах. Модели YOLO26 Segment предварительно обучены на наборе данных COCO, поэтому сразу умеют сегментировать 80 распространенных классов объектов и служат хорошей отправной точкой для дообучения на пользовательских данных. Один и тот же API YOLO охватывает обучение, валидацию, предсказание и экспорт для исследовательских и промышленных приложений.

  • Загрузить и проверить предварительно обученную модель сегментации YOLO просто. Вот как это сделать с помощью Python и CLI:

    Пример
    from ultralytics import YOLO
    
    # Загрузи предварительно обученную модель
    model = YOLO("yolo26n-seg.pt")
    
    # Валидировать модель
    metrics = model.val()
    print("Mean Average Precision for boxes:", metrics.box.map)
    print("Mean Average Precision for masks:", metrics.seg.map)

    Эти шаги дадут тебе метрики валидации, например среднюю точность (mAP) — стандартную метрику качества сегментации.

  • Экспортировать модель сегментации YOLO в формат ONNX просто: для этого можно использовать команды Python или CLI:

    Пример
    from ultralytics import YOLO
    
    # Загрузи предварительно обученную модель
    model = YOLO("yolo26n-seg.pt")
    
    # Экспортировать модель в формат ONNX
    model.export(format="onnx")

    Подробности об экспорте в различные форматы смотри на странице Export.

Комментарии418

Задай вопрос, поделись результатами или помоги кому-нибудь.

  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
  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(изменено)

      @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. 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,
      )
    2. 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

    3. 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。