Link to this section实例分割#
实例分割比目标检测更进一步，它不仅能识别图像中的单个对象，还能将它们从图像的其余部分中分割出来。
实例分割模型的输出是一组勾勒出图像中每个对象轮廓的掩码或轮廓，以及每个对象的类标签和置信度分数。当你不仅需要知道对象在图像中的位置，还需要知道它们的精确形状时，实例分割非常有用。
Watch: Run Segmentation with Pretrained Ultralytics YOLO Model in Python.
YOLO26 Segment 模型使用 -seg 后缀，即 yolo26n-seg.pt，并预训练于 COCO。
Link to this section模型#
此处展示了 YOLO26 预训练 Segment 模型。检测、分割和姿态模型在 COCO 数据集上预训练，语义分割模型在 Cityscapes 上预训练，分类模型在 ImageNet 数据集上预训练。
模型在首次使用时会自动从最新的 Ultralytics 发布版本下载。
| 模型 | 尺寸 (像素) | mAPbox 50-95(e2e) | mAPmask 50-95(e2e) | 速度 CPU ONNX (ms) | 速度 T4 TensorRT10 (ms) | 参数量 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|---|
| YOLO26n-seg | 640 | 39.6 | 33.9 | 53.3 ± 0.5 | 2.1 ± 0.0 | 2.7 | 9.1 |
| YOLO26s-seg | 640 | 47.3 | 40.0 | 118.4 ± 0.9 | 3.3 ± 0.0 | 10.4 | 34.2 |
| YOLO26m-seg | 640 | 52.5 | 44.1 | 328.2 ± 2.4 | 6.7 ± 0.1 | 23.6 | 121.5 |
| YOLO26l-seg | 640 | 54.4 | 45.5 | 387.0 ± 3.7 | 8.0 ± 0.1 | 28.0 | 139.8 |
| YOLO26x-seg | 640 | 56.5 | 47.0 | 787.0 ± 6.8 | 16.4 ± 0.1 | 62.8 | 313.5 |
- mAPval 值是在 COCO val2017 数据集上进行的单模型单尺度测试结果。
通过yolo val segment data=coco.yaml device=0进行复现。 - 速度是在 Amazon EC2 P4d 实例上使用 COCO val 图像计算的平均值。
通过yolo val segment data=coco.yaml batch=1 device=0|cpu进行复现。 - 参数量 (Params) 和 FLOPs 数值是针对
model.fuse()之后融合模型的，该模型合并了 Conv 和 BatchNorm 层，并且对于端到端模型，移除了辅助的一对多检测头。预训练检查点保留了完整的训练架构，因此可能会显示更高的数值。
Link to this section训练#
在 COCO8-seg 数据集上以图像尺寸 640 训练 YOLO26n-seg 100 个 epoch。有关可用参数的完整列表，请参阅配置页面。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-seg.yaml") # build a new model from YAML
model = YOLO("yolo26n-seg.pt") # load a pretrained model (recommended for training)
model = YOLO("yolo26n-seg.yaml").load("yolo26n-seg.pt") # build from YAML and transfer weights
# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)See full train mode details in the Train page. Segmentation models can also be trained on cloud GPUs through Ultralytics Platform.
Link to this section数据集格式#
有关 YOLO 分割数据集格式的详细信息，请参阅数据集指南。若要将现有数据集从其他格式（如 COCO 等）转换为 YOLO 格式，请使用 Ultralytics 提供的 JSON2YOLO 工具。你也可以在 Ultralytics Platform 上使用多边形工具和由 SAM 驱动的智能标注来创建分割掩码。
Link to this section验证#
在 COCO8-seg 数据集上验证已训练的 YOLO26n-seg 模型的准确率。无需额外参数，因为 model 会将其训练时的 data 和参数保留为模型属性。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-seg.pt") # load an official model
model = YOLO("path/to/best.pt") # load a custom model
# Validate the model
metrics = model.val() # no arguments needed, dataset and settings remembered
metrics.box.map # map50-95(B)
metrics.box.map50 # map50(B)
metrics.box.map75 # map75(B)
metrics.box.maps # a list containing mAP50-95(B) for each category
metrics.box.image_metrics # per-image metrics dictionary for det with precision, recall, F1, TP, FP, and FN
metrics.seg.map # map50-95(M)
metrics.seg.map50 # map50(M)
metrics.seg.map75 # map75(M)
metrics.seg.maps # a list containing mAP50-95(M) for each category
metrics.seg.image_metrics # per-image metrics dictionary for seg with precision, recall, F1, TP, FP, and FNLink to this section预测#
使用训练好的 YOLO26n-seg 模型对图像进行预测。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-seg.pt") # load an official model
model = YOLO("path/to/best.pt") # load a custom model
# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg") # predict on an image
# Access the results
for result in results:
xy = result.masks.xy # mask polygons in pixel coordinates
xyn = result.masks.xyn # normalized mask polygons
masks = result.masks.data # binary masks, shape (N,H,W), dtype torch.uint8See full predict mode details in the Predict page.
Link to this section结果输出#
YOLO 实例分割为每张图像返回一个 Results 对象。每个结果存储对象层面的预测，其中每个检测到的实例都有其自己的二进制掩码、类别、置信度和边框。
| 属性 | 类型 | 形状 | 描述 |
|---|---|---|---|
result.masks | Masks | (N) | 实例掩膜。 |
result.masks.data | torch.uint8 | (N,H,W) | 二进制掩膜，值为 0 或 1。 |
result.masks.xy | np.float32 | list[(P,2)] | 像素多边形。 |
result.masks.xyn | np.float32 | list[(P,2)] | 归一化多边形。 |
result.boxes | Boxes | (N) | 实例框/类别/置信度。 |
result.boxes.cls | torch.float32 | (N,) | 类别 ID；转换为 int 即可获取名称。 |
关于各项任务中特定于任务的 Results 字段，请参阅按任务划分的预测结果 (Predict Results by Task) 部分。
Link to this section它与语义分割有何不同#
实例分割是对象层面的分割：两辆车会产生两个掩码、两个边框和两个置信度分数。语义分割是像素层面的分类：同一组车在单张图像大小的类图中会变成具有相同类 ID 的像素，没有针对每个对象的边框、置信度或默认的多边形列表。
Link to this section导出#
将 YOLO26n-seg 模型导出为其他格式，如 ONNX、CoreML 等。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-seg.pt") # load an official model
model = YOLO("path/to/best.pt") # load a custom-trained model
# Export the model
model.export(format="onnx")下表列出了可用的 YOLO26-seg 导出格式。你可以使用 format 参数导出为任意格式，例如 format='onnx' 或 format='engine'。你可以直接在导出的模型上进行预测或验证，例如 yolo predict model=yolo26n-seg.onnx。导出完成后，将显示针对你模型的用法示例。
| 格式 | format 参数 | 模型 | 元数据 | 参数 |
|---|---|---|---|---|
| PyTorch | - | yolo26n-seg.pt | ✅ | - |
| TorchScript | torchscript | yolo26n-seg.torchscript | ✅ | imgsz, quantize, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n-seg.onnx | ✅ | imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device |
| OpenVINO | openvino | yolo26n-seg_openvino_model/ | ✅ | imgsz, quantize, dynamic, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n-seg.engine | ✅ | imgsz, quantize, dynamic, simplify, workspace, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n-seg.mlpackage | ✅ | imgsz, dynamic, quantize, nms, batch, device |
| TF SavedModel | saved_model | yolo26n-seg_saved_model/ | ✅ | imgsz, keras, quantize, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n-seg.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n-seg.tflite | ✅ | imgsz, quantize, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n-seg_edgetpu.tflite | ✅ | imgsz, quantize, data, fraction, device |
| TF.js | tfjs | yolo26n-seg_web_model/ | ✅ | imgsz, quantize, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n-seg_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n-seg.mnn | ✅ | imgsz, batch, quantize, device |
| NCNN | ncnn | yolo26n-seg_ncnn_model/ | ✅ | imgsz, quantize, batch, device |
| IMX500 | imx | yolo26n-seg_imx_model/ | ✅ | imgsz, quantize, data, fraction, nms, device |
| RKNN | rknn | yolo26n-seg_rknn_model/ | ✅ | imgsz, batch, name, quantize, data, fraction, device |
| ExecuTorch | executorch | yolo26n-seg_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n-seg_axelera_model/ | ✅ | imgsz, batch, quantize, data, fraction, device |
| DEEPX | deepx | yolo26n-seg_deepx_model/ | ✅ | imgsz, quantize, data, optimize, device |
| Qualcomm QNN | qnn | yolo26n-seg_qnn.onnx | ✅ | imgsz, batch, name, quantize, data, fraction, device |
查看关于 export 的完整详细信息，请访问 Export 页面。
Link to this section常见问题解答#
Link to this section我该如何训练 YOLO26 分割模型以适应自定义数据集？#
要训练 YOLO26 分割模型，首先需要准备好符合 YOLO 分割格式的数据集。你可以使用如 JSON2YOLO 等工具将其他格式的数据集进行转换。数据集准备好后，即可使用 Python 或 CLI 命令来训练模型：
from ultralytics import YOLO
# Load a pretrained YOLO26 segment model
model = YOLO("yolo26n-seg.pt")
# Train the model
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)查看配置页面以了解更多可用参数。
Link to this sectionYOLO26 中的目标检测和实例分割有什么区别？#
目标检测通过绘制边框来识别并定位图像中的对象，而实例分割不仅能识别边框，还能勾勒出每个对象的精确形状。YOLO26 实例分割模型提供勾勒出每个被检测对象的掩码或轮廓，这对于医学影像或自动驾驶等需要精确形状信息的任务特别有用。
Link to this section为什么选择 YOLO26 进行实例分割？#
Ultralytics YOLO26 是一款最先进的模型，以其高准确度和实时性能而闻名，非常适合实例分割任务。YOLO26 Segment 模型在 COCO 数据集上预训练，确保了对各类对象的稳健表现。此外，YOLO 支持训练、验证、预测和导出功能，且集成流畅，在学术研究和工业应用中都非常通用。
Link to this section我该如何加载和验证预训练的 YOLO 分割模型？#
加载和验证预训练的 YOLO 分割模型非常简单。以下是使用 Python 和 CLI 的操作方法：
from ultralytics import YOLO
# Load a pretrained model
model = YOLO("yolo26n-seg.pt")
# Validate the model
metrics = model.val()
print("Mean Average Precision for boxes:", metrics.box.map)
print("Mean Average Precision for masks:", metrics.seg.map)这些步骤将为你提供诸如平均精度均值 (mAP) 等验证指标，这对评估模型性能至关重要。
Link to this section我该如何将 YOLO 分割模型导出为 ONNX 格式？#
将 YOLO 分割模型导出为 ONNX 格式非常简单，可以使用 Python 或 CLI 命令完成：
from ultralytics import YOLO
# Load a pretrained model
model = YOLO("yolo26n-seg.pt")
# Export the model to ONNX format
model.export(format="onnx")有关导出为各种格式的更多详细信息，请参阅导出页面。