使用 Ultralytics YOLO 进行实例分割#

实例分割比目标检测更进一步，涉及识别图像中的各个对象，并将它们与图像其余部分分割开来。

实例分割模型的输出是一组掩码或轮廓，用于勾勒图像中的每个对象，同时还包含每个对象的类别标签和置信度分数。当你不仅需要知道图像中对象的位置，还需要了解对象的精确形状时，实例分割就很有用。

模型#

下方展示了在 COCO 数据集上预训练的 YOLO26 Segment 模型。

首次使用时，模型会自动从 Ultralytics 最新版本下载。

• mAP^val 数值是在 COCO val2017 数据集上以单模型、单尺度方式测得的。
  使用 yolo segment val data=coco.yaml device=0 nms=False 复现
• 速度是在 COCO val 图像上使用 ONNX（CPU）和 TensorRT10（NVIDIA T4 GPU）测得的平均值。
  使用 yolo segment val data=coco.yaml batch=1 device=0|cpu nms=False 复现
• 参数量和 FLOPs 数值对应融合后的模型，该模型经过 Conv/BatchNorm 折叠并移除了未使用的检测分支。预训练检查点保留完整的训练架构，因此显示的数值可能更高。

这些检查点可分割 COCO 的 80 个类别。如需在不重新训练的情况下分割列表之外的类别，请参阅 YOLOE，它可以将类别作为文本提示、视觉示例或内置词汇表输入。

查看尚未发布的 YOLO27 预览版，了解初步的 COCO 边界框和掩码结果。

训练#

在 COCO8-seg 数据集上以 640 的图像尺寸训练 YOLO26n-seg，训练 100 个轮次。如需查看可用参数的完整列表，请参阅配置页面。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-seg.yaml")  # 从 YAML 构建新模型
model = YOLO("yolo26n-seg.pt")  # 加载预训练模型（推荐用于训练）
model = YOLO("yolo26n-seg.yaml").load("yolo26n-seg.pt")  # 从 YAML 构建模型并迁移权重

# 训练模型
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

有关 train 模式的完整详情，请参阅训练页面。你也可以使用 Ultralytics Platform 云训练训练分割模型。

数据集格式#

YOLO 分割数据集格式的详细说明请参阅数据集指南。如需将现有 COCO JSON 数据集转换为 YOLO 格式，请使用内置的 convert_coco 函数和 use_segments=True，具体说明请参阅 COCO 转 YOLO 指南。你还可以使用 Ultralytics Platform 标注中的多边形工具和 SAM 驱动的智能标注功能创建分割掩码。

验证#

验证已训练的 YOLO26n-seg 模型精度。无需传入参数，因为 model 会将训练时的 data 和参数保留为模型属性：来自训练示例的 path/to/best.pt 会在 COCO8-seg 上进行验证。官方权重记录的训练数据集路径在你的计算机上不存在，因此会在发出警告后回退到任务默认值 coco8-seg.yaml。传入 data 可在其他数据集上验证。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-seg.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 验证模型
metrics = model.val()  # 无需参数，数据集和设置会自动记住
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # 包含每个类别 mAP50-95(B) 的列表
metrics.box.image_metrics  # 每张图像的 det 指标字典，包含 precision、recall、F1、TP、FP 和 FN
metrics.seg.map  # map50-95(M)
metrics.seg.map50  # map50(M)
metrics.seg.map75  # map75(M)
metrics.seg.maps  # 包含每个类别 mAP50-95(M) 的列表
metrics.seg.image_metrics  # 每张图像的 seg 指标字典，包含 precision、recall、F1、TP、FP 和 FN

预测#

使用训练好的 YOLO26n-seg 模型对图像进行预测。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-seg.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 使用模型进行预测
results = model("https://ultralytics.com/images/bus.jpg")  # 对图像进行预测

# 访问结果
for result in results:
    xy = result.masks.xy  # 像素坐标中的掩码多边形
    xyn = result.masks.xyn  # 归一化掩码多边形
    masks = result.masks.data  # 二值掩码，形状为 (N,H,W)，数据类型为 torch.uint8

请参阅预测页面，了解完整的 predict 模式详情。

结果输出#

YOLO 实例分割会为每张图像返回一个 Results 对象。每个结果都存储对象级预测，其中每个检测到的实例都有自己的二值掩码、类别、置信度和边界框。

如需了解所有任务中特定于任务的 Results 字段，请参阅按任务查看预测结果部分。

实例分割与语义分割#

实例分割是在对象级别进行分割：两辆汽车会产生两个掩码、两个边界框和两个置信度分数。 语义分割是在像素级别进行分类：这两辆汽车会变成同一张图像大小的类别图中的同类像素，且不会为每个对象分别提供边界框、置信度或默认多边形列表。请参阅语义分割页面上的逐字段对比。

导出#

将 YOLO26n-seg 模型导出为 ONNX、CoreML 等其他格式。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-seg.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 导出模型
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'。你可以直接使用导出的模型进行预测或验证，例如 yolo predict model=yolo26n-seg.onnx。导出完成后，系统会显示适用于你模型的用法示例。

nms=None 默认输出原始结果，以供外部 NMS 使用。设置 nms=False 可选择可用的无 NMS 检测头；不支持的格式会回退到其原生输出路径。上方的 nms 条目表示可以通过 nms=True 嵌入 NMS 的格式。

请参阅 Export 页面，了解完整的 export 详情。

常见问题#