实例分割

Q: How do I train a YOLO11 segmentation model on a custom dataset?

要在自定义数据集上训练 YOLO11 细分模型，首先需要以YOLO 细分格式准备数据集。您可以使用 JSON2YOLO 等工具转换其他格式的数据集。数据集准备就绪后，就可以使用Python 或CLI 命令训练模型了：请查看配置页面了解更多可用参数。

Q: How do I load and validate a pretrained YOLO segmentation model?

加载和验证预训练的YOLO 细分模型非常简单。以下是使用Python 和CLI 的方法：这些步骤将为您提供平均精度 (mAP) 等验证指标，这对评估模型性能至关重要。

Q: How can I export a YOLO segmentation model to ONNX format?

将YOLO 分割模型导出为ONNX 格式非常简单，可使用Python 或CLI 命令完成：有关导出为各种格式的详细信息，请参阅导出页面。

实例分割示例

实例分割比物体检测更进一步，它涉及识别图像中的单个物体，并将它们与图像的其他部分分割开来。

实例分割模型的输出是一组勾勒出图像中每个物体的遮罩或轮廓，以及每个物体的类标签和置信度分数。当你不仅需要知道物体在图像中的位置，还需要知道它们的具体形状时，实例分割就非常有用了。

观看： 在Python 中使用预先训练的Ultralytics YOLO 模型运行分段。

提示

YOLO11 分段模型使用 -seg 后缀，即 yolo11n-seg.pt 并对 COCO.

机型

这里显示的是 YOLO11 预训练的 Segment 模型。Detect、Segment 和 Pose 模型是在COCO数据集上预训练的，而 Classify 模型是在ImageNet数据集上预训练的。

首次使用时，模型会自动从最新的Ultralytics 版本下载。

模型	尺寸 ^（像素）	mAPbox^50-95	mAPmask^50-95	速度 ^{CPU ONNX （毫秒）}	速度 T4^{TensorRT10 (ms)}	params ^(M)	FLOPs ^(B)
YOLO11n-seg	640	38.9	32.0	65.9 ± 1.1	1.8 ± 0.0	2.9	10.4
YOLO11s-seg	640	46.6	37.8	117.6 ± 4.9	2.9 ± 0.0	10.1	35.5
YOLO11m-seg	640	51.5	41.5	281.6 ± 1.2	6.3 ± 0.1	22.4	123.3
YOLO11l-seg	640	53.4	42.9	344.2 ± 3.2	7.8 ± 0.2	27.6	142.2
YOLO11x-seg	640	54.7	43.8	664.5 ± 3.2	15.8 ± 0.7	62.1	319.0

^mAPval 数值是在 COCO val2017 数据集。
复制方式 yolo val segment data=coco-seg.yaml device=0
速度对 COCO val 图像使用亚马逊 EC2 P4d 实例
复制方式 yolo val segment data=coco-seg.yaml batch=1 device=0|cpu

火车

在 COCO8-seg 数据集上对 YOLO11n-seg 进行 100 个历元训练，图像大小为 640。有关可用参数的完整列表，请参阅配置页面。

示例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.yaml")  # build a new model from YAML
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n-seg.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

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

# Build a new model from YAML and start training from scratch
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.yaml pretrained=yolo11n-seg.pt epochs=100 imgsz=640

数据集格式

YOLO 分段数据集格式详见数据集指南。要将现有数据集从其他格式（如 COCO 等）转换为YOLO 格式，请使用JSON2YOLO工具（Ultralytics ）。

瓦尔

验证训练有素的 YOLO11n-seg 模型精确度上的 COCO8-seg 数据集。无需参数，因为 model 保留其培训 data 和参数作为模型属性。

示例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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 contains map50-95(B) of each category
metrics.seg.map  # map50-95(M)
metrics.seg.map50  # map50(M)
metrics.seg.map75  # map75(M)
metrics.seg.maps  # a list contains map50-95(M) of each category

yolo segment val model=yolo11n-seg.pt  # val official model
yolo segment val model=path/to/best.pt  # val custom model

预测

使用训练有素的 YOLO11n-seg 模型对图像进行预测。

示例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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

yolo segment predict model=yolo11n-seg.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo segment predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

查看全文 predict 模式的详细信息，请参见预测 page.

出口

将 YOLO11n-seg 模型导出为不同格式，如ONNX,CoreML 等。

示例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

# Export the model
model.export(format="onnx")

yolo export model=yolo11n-seg.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

可用的 YOLO11-seg 导出格式如下表所示。您可以使用 format 参数，即 format='onnx' 或 format='engine'.您可以直接对导出的模型进行预测或验证，即 yolo predict model=yolo11n-seg.onnx.导出完成后会显示模型的使用示例。

格式	`format` 论据	模型	元数据	论据
PyTorch	-	`yolo11n-seg.pt`	✅	-
TorchScript	`torchscript`	`yolo11n-seg.torchscript`	✅	`imgsz`, `optimize`, `batch`
ONNX	`onnx`	`yolo11n-seg.onnx`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `opset`, `batch`
OpenVINO	`openvino`	`yolo11n-seg_openvino_model/`	✅	`imgsz`, `half`, `int8`, `batch`
TensorRT	`engine`	`yolo11n-seg.engine`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `workspace`, `int8`, `batch`
CoreML	`coreml`	`yolo11n-seg.mlpackage`	✅	`imgsz`, `half`, `int8`, `nms`, `batch`
TF SavedModel	`saved_model`	`yolo11n-seg_saved_model/`	✅	`imgsz`, `keras`, `int8`, `batch`
TF GraphDef	`pb`	`yolo11n-seg.pb`	❌	`imgsz`, `batch`
TF 轻型	`tflite`	`yolo11n-seg.tflite`	✅	`imgsz`, `half`, `int8`, `batch`
TF 边缘TPU	`edgetpu`	`yolo11n-seg_edgetpu.tflite`	✅	`imgsz`
TF.js	`tfjs`	`yolo11n-seg_web_model/`	✅	`imgsz`, `half`, `int8`, `batch`
PaddlePaddle	`paddle`	`yolo11n-seg_paddle_model/`	✅	`imgsz`, `batch`
MNN	`mnn`	`yolo11n-seg.mnn`	✅	`imgsz`, `batch`, `int8`, `half`
NCNN	`ncnn`	`yolo11n-seg_ncnn_model/`	✅	`imgsz`, `half`, `batch`
IMX500	`imx`	`yolo11n-seg_imx_model/`	✅	`imgsz`, `int8`

查看全文 export 中的详细信息出口 page.

常见问题

如何在自定义数据集上训练 YOLO11 细分模型？

要在自定义数据集上训练 YOLO11 细分模型，首先需要以YOLO 细分格式准备数据集。您可以使用JSON2YOLO等工具转换其他格式的数据集。数据集准备就绪后，您可以使用Python 或CLI 命令训练模型：

示例

PythonCLI

from ultralytics import YOLO

# Load a pretrained YOLO11 segment model
model = YOLO("yolo11n-seg.pt")

# Train the model
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)

yolo segment train data=path/to/your_dataset.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

查看配置页面，了解更多可用参数。

YOLO11 中的对象检测和实例分割有什么区别？

对象检测通过在图像周围绘制边界框来识别和定位图像中的对象，而实例分割不仅能识别边界框，还能勾勒出每个对象的精确形状。YOLO11 实例分割模型提供的遮罩或轮廓线可以勾勒出每个检测到的物体，这对于医疗成像或自动驾驶等需要了解物体精确形状的任务特别有用。

为什么使用 YOLO11 进行实例细分？

Ultralytics YOLO11 是最先进的模型，具有高准确性和实时性，是实例分割任务的理想选择。YOLO11 Segment 模型在COCO 数据集上进行了预训练，确保在各种对象上都能发挥强大的性能。此外，YOLO 支持无缝集成的训练、验证、预测和导出功能，使其成为研究和行业应用的高度通用工具。

如何加载和验证预训练的YOLO 细分模型？

加载和验证预训练的YOLO 细分模型非常简单。以下是使用Python 和CLI 的方法：

示例

PythonCLI

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n-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)

yolo segment val model=yolo11n-seg.pt

这些步骤将为您提供平均精度(mAP) 等验证指标，这些指标对评估模型性能至关重要。

如何将YOLO 细分模型导出为ONNX 格式？

将YOLO 分割模型导出为ONNX 格式非常简单，可使用Python 或CLI 命令完成：

示例

PythonCLI

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n-seg.pt")

# Export the model to ONNX format
model.export(format="onnx")

yolo export model=yolo11n-seg.pt format=onnx

有关导出为各种格式的详细信息，请参阅导出页面。

📅创建于 1 年前 ✏️已更新 1 个月前

实例分割

机型

火车

数据集格式

瓦尔

预测

出口

常见问题

如何在自定义数据集上训练 YOLO11 细分模型？

YOLO11 中的对象检测和实例分割有什么区别？

为什么使用 YOLO11 进行实例细分？

如何加载和验证预训练的YOLO 细分模型？

如何将YOLO 细分模型导出为ONNX 格式？

评论