Ultralytics YOLO26 中的实例分割与对象跟踪有何区别？

实例分割会识别并勾勒图像中的各个对象，为每个对象提供唯一标签和掩码。对象跟踪在此基础上为视频帧中的对象分配一致的 ID，从而持续跟踪一段时间内的同一对象。将二者结合起来（如 YOLO26 的实现），你就能在视频中分析对象的运动和行为，同时保留精确的边界信息。

与 Mask R-CNN 或 Faster R-CNN 等其他模型相比，为什么应该使用 Ultralytics YOLO26 进行实例分割和跟踪？

与 Mask R-CNN 或 Faster R-CNN 等其他模型相比，Ultralytics YOLO26 具备实时性能、更高的准确率以及更易用的特点。YOLO26 通过单次前向处理图像（单阶段检测），在保持高精度的同时显著提升了速度。它还与 Ultralytics Platform 无缝集成，让你能够高效管理模型、数据集和训练流程。对于同时要求速度和准确率的应用，YOLO26 提供了理想的平衡。

Ultralytics 是否提供适合训练 YOLO26 实例分割和跟踪模型的数据集？

是的，Ultralytics 提供多个适合训练 YOLO26 实例分割模型的数据集，包括 COCO-Seg、COCO8-Seg（用于快速测试的较小子集）、Package-Seg 和 Crack-Seg。这些数据集包含实例分割任务所需的像素级标注。对于更专业的应用，你还可以按照 Ultralytics 格式创建自定义数据集。完整的数据集信息和使用说明请参阅 Ultralytics 数据集文档。

使用 Ultralytics YOLO26 进行实例分割与追踪#

什么是实例分割？#

实例分割是一项计算机视觉任务，旨在以像素级别识别并勾勒图像中的各个对象。不同于仅按类别对像素进行分类的语义分割，实例分割会为每个对象实例分配唯一标签并进行精确 delineation，因此对于需要详细空间理解的应用至关重要，例如医学影像、自动驾驶和工业自动化。

Ultralytics YOLO26 提供强大的实例分割能力，能够精确检测对象边界，同时保持 YOLO 模型一贯的速度和效率。

Ultralytics 软件包提供两种实例分割跟踪类型：

使用类别对象进行实例分割： 为每个类别对象分配一种独特颜色，以实现清晰的视觉区分。
使用对象轨迹进行实例分割： 每条轨迹都用不同颜色表示，便于在视频帧之间识别和跟踪对象。

Watch: Instance Segmentation with Object Tracking using Ultralytics YOLO26

样本数#

实例分割	实例分割 + 对象跟踪

Ultralytics 实例分割 😍	Ultralytics 使用对象跟踪进行实例分割 🔥

使用 YOLO26 进行分割和跟踪#

InstanceSegmentation 解决方案会在每一帧上运行 YOLO26 分割模型，绘制每个对象的掩码，并为每个实例分别着色，便于你在视频中跟踪单个对象。加载 -seg 模型，然后通过 Python API 或 CLI 在你的源数据上运行它。

使用 Ultralytics YOLO 进行实例分割

# Instance segmentation using Ultralytics YOLO26
yolo solutions isegment show=True

# Pass a source video
yolo solutions isegment source="path/to/video.mp4"

# Monitor the specific classes
yolo solutions isegment classes="[0, 5]"

`InstanceSegmentation` 参数#

下面是 InstanceSegmentation 参数表：

参数	类型	默认值	描述
`model`	`str`	`None`	Ultralytics YOLO 模型文件的路径。
`line_width`	`int`	`2`	解决方案绘制的框、关键点和计数的线条粗细。
`verbose`	`bool`	`True`	启用解决方案逐帧记录输入形状、类别计数和处理速度的日志。跟踪调用本身始终保持静默。

你还可以在 InstanceSegmentation 解决方案中使用 track 参数：

参数	类型	默认值	描述
`tracker`	`str`	`'botsort.yaml'`	指定要使用的跟踪算法。内置选项：`botsort.yaml`、`bytetrack.yaml`、`ocsort.yaml`、`deepocsort.yaml`、`fasttrack.yaml`、`tracktrack.yaml`。
`conf`	`float`	`0.25`	设置检测的置信度阈值；较低的值允许跟踪更多对象，但可能包含误报。
`iou`	`float`	`0.7`	设置用于过滤重叠检测结果的交并比（IoU）阈值。
`classes`	`list`	`None`	按类别索引过滤结果。例如，`classes=[0, 2, 3]` 仅跟踪指定类别。
`device`	`str`	`None`	指定推理设备（例如 `cpu`、`cuda:0` 或 `0`）。允许用户在 CPU、特定 GPU 或其他计算设备之间进行选择，以执行模型。
`imgsz`	`int or tuple`	`640`	目标推理图像大小：用于正方形的整数或 `(height, width)` 对。形状会根据模型步长进行调整。
`max_det`	`int`	`300`	在跟踪前每帧保留的最大检测数，用于限制解决方案在密集场景中处理的对象数量。
`quantize`	`int or str`	`None`	推理精度：针对 PyTorch 和 TorchScript 模型，使用 `16` (FP16) 或 `32`/不设置 (FP32)；其他格式则在其工件和运行时选择的精度下进行计算。它替代了已弃用的 `half` 标志。

此外，还提供以下可视化参数：

参数	类型	默认值	描述
`show`	`bool`	`False`	如果为 `True`，则会在窗口中显示带标注的图像或视频。适用于开发或测试期间获取即时视觉反馈。
`show_conf`	`bool`	`True`	在每个检测结果旁显示其置信度分数，让你了解模型对每个检测结果的确定程度。
`show_labels`	`bool`	`True`	在可视化输出中显示每个检测结果的标签，帮助你立即了解检测到的对象。
`show_boxes`	`bool`	`True`	在检测到的对象周围绘制边界框。对于在图像或视频帧中直观识别和定位对象至关重要。

实例分割的应用#

YOLO26 实例分割在各行各业拥有众多现实应用：

废物管理与回收#

YOLO26 可用于废物管理设施，以识别和分拣不同类型的材料。该模型能够高精度地分割塑料废物、纸板、金属和其他可回收物，从而让自动分拣系统更高效地处理废物。考虑到全球产生的 70 亿吨塑料废物中只有约 10% 得到回收，这一点尤其有价值。

自动驾驶车辆#

在自动驾驶汽车中，实例分割有助于以像素级别识别和跟踪行人、车辆、交通标志及其他道路元素。这种对环境的精确理解对于导航和安全决策至关重要。YOLO26 的实时性能使其非常适合这些对时效性要求较高的应用。

医学影像#

实例分割可以在医学扫描图像中识别并勾勒肿瘤、器官或细胞结构。YOLO26 精确 delineate 对象边界的能力使其适用于医学诊断和治疗规划。

施工现场监控#

在施工现场，实例分割可以跟踪重型机械、工人和材料。通过监控设备位置并检测工人何时进入危险区域，它有助于确保安全，同时优化工作流程和资源分配。

常见问题#

要使用 Ultralytics YOLO26 执行实例分割，请使用 YOLO26 的分割版本初始化 YOLO 模型，并通过该模型处理视频帧。下面是一个简化的代码示例：

import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# Video writer
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
video_writer = cv2.VideoWriter("instance-segmentation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Init InstanceSegmentation
isegment = solutions.InstanceSegmentation(
    show=True,  # display the output
    model="yolo26n-seg.pt",  # model="yolo26n-seg.pt" for object segmentation using YOLO26.
)

# Process video
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or processing is complete.")
        break
    results = isegment(im0)
    video_writer.write(results.plot_im)

cap.release()
video_writer.release()
cv2.destroyAllWindows()

在 Ultralytics YOLO26 指南中了解更多实例分割信息。

实例分割会识别并勾勒图像中的各个对象，为每个对象提供唯一标签和掩码。对象跟踪在此基础上为视频帧中的对象分配一致的 ID，从而持续跟踪一段时间内的同一对象。将二者结合起来（如 YOLO26 的实现），你就能在视频中分析对象的运动和行为，同时保留精确的边界信息。
与 Mask R-CNN 或 Faster R-CNN 等其他模型相比，Ultralytics YOLO26 具备实时性能、更高的准确率以及更易用的特点。YOLO26 通过单次前向处理图像（单阶段检测），在保持高精度的同时显著提升了速度。它还与 Ultralytics Platform 无缝集成，让你能够高效管理模型、数据集和训练流程。对于同时要求速度和准确率的应用，YOLO26 提供了理想的平衡。
是的，Ultralytics 提供多个适合训练 YOLO26 实例分割模型的数据集，包括 COCO-Seg、COCO8-Seg（用于快速测试的较小子集）、Package-Seg 和 Crack-Seg。这些数据集包含实例分割任务所需的像素级标注。对于更专业的应用，你还可以按照 Ultralytics 格式创建自定义数据集。完整的数据集信息和使用说明请参阅 Ultralytics 数据集文档。

贡献者

GLglenn-jocher¹⁸ RIRizwanMunawar⁸ RAraimbekovm⁷ MImiles-deans-ultralytics¹ PDpderrenger¹ LEleonnil¹ MAMatthewNoyce¹ IVIvorZhu331¹

创建时间 2023年12月18日更新时间 3天前