使用 Ultralytics YOLO 进行语义分割#

语义分割会为图像中的每个像素分配类别标签，从而生成覆盖整个场景的稠密类别图。与会分离单个对象的实例分割不同，语义分割会将所有同类像素归为一组，不受独立对象数量影响。

语义分割模型的输出是一张单独的高×宽类别图，其中每个像素值都对应一个预测类别 ID。因此，语义分割非常适合场景解析任务，例如自动驾驶、医学影像和土地覆盖制图。

模型#

下方展示了在 Cityscapes 数据集上预训练的 YOLO26 Semantic 模型。

首次使用时，模型会自动从 Ultralytics 最新版本下载。

• mIoU^val 数值是在 Cityscapes 验证集上以单模型、单尺度方式测得的。
  使用 yolo semantic val data=cityscapes.yaml device=0 imgsz=2048 复现
• 速度指标是在 RTX3090 实例上对 Cityscapes 验证图像进行测量后取平均值。
  使用 yolo semantic val data=cityscapes.yaml batch=1 device=0|cpu imgsz=2048 复现
• 参数量和 FLOPs 数值对应于经过 model.fuse() 融合后的模型，该操作会合并 Conv 和 BatchNorm 层。预训练检查点保留完整的训练架构，因此显示的计数可能更高。

下方展示了在 ADE20K 数据集上预训练的 YOLO26 Semantic 模型。

• mIoU^val 数值是在 ADE20K 验证集上以单模型、单尺度方式测得的。
  使用 yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml device=0 imgsz=640 复现，并将 yolo26n-sem-ade20k.pt 替换为所需的 yolo26*-sem-ade20k.pt 检查点。
• 速度指标是在 RTX3090 实例上对 ADE20K 验证图像进行测量后取平均值。
  使用 yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml batch=1 device=0|cpu imgsz=640 复现，并将 yolo26n-sem-ade20k.pt 替换为所需的 yolo26*-sem-ade20k.pt 检查点。
• 参数量和 FLOPs 数值对应于经过 model.fuse() 融合后的模型，该操作会合并 Conv 和 BatchNorm 层。预训练检查点保留完整的训练架构，因此显示的计数可能更高。

查看尚未发布的 YOLO27 预览版，了解初步的 Cityscapes mIoU 结果。

训练#

在 Cityscapes8 数据集上以 1024 的图像尺寸训练 YOLO26n-sem，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-sem.yaml")  # 从 YAML 构建新模型
model = YOLO("yolo26n-sem.pt")  # 加载预训练模型（推荐用于训练）
model = YOLO("yolo26n-sem.yaml").load("yolo26n-sem.pt")  # 从 YAML 构建模型并迁移权重

# 训练模型
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

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 云训练训练语义分割模型。

数据集格式#

语义分割数据集使用单通道掩码图像（通常为 PNG），其中每个像素值表示一个类别 ID。值为 255 的像素会被视为“忽略”像素，不参与损失计算。数据集 YAML 应指定图像路径及其对应的掩码目录。带有 YOLO 多边形标签的数据集可以直接用于训练，标签会即时转换为掩码（参见下文的我可以使用实例分割数据吗）。有关格式详情，请参阅语义分割数据集指南。支持的数据集包括 Cityscapes 和 ADE20K。你可以使用 Ultralytics Platform 标注管理和标注语义数据集。

验证#

在语义分割数据集上验证已训练的 YOLO26n-sem 模型精度。请显式传入 data，以确保验证使用预期的数据集 YAML。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-sem.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(data="cityscapes.yaml")
metrics.miou  # 平均交并比
metrics.pixel_accuracy  # 总体像素准确率

预测#

使用训练好的 YOLO26n-sem 模型对图像进行预测。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-sem.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:
    semantic_mask = result.semantic_mask.data  # 类别图，形状为 (H,W)，整数数据类型由类别数量决定

请参阅预测页面，了解完整的 predict 模式详情。

结果输出#

YOLO 语义分割会为每张图像返回一个 Results 对象。每个结果都为整张图像存储一张稠密类别图，而不是对象掩码列表。即使同一预测类别的像素属于不同对象，它们也会共享相同的类别 ID。

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#

导出#

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

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n-sem.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 语义分割导出格式。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-sem.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#