使用 Ultralytics YOLO 进行语义分割#

语义分割为图像中的每个像素分配类别标签，生成覆盖整个场景的密集类别图。不同于实例分割将各个对象分离开来，语义分割会将同一类别的所有像素归为一组，而不考虑其中包含多少个不同对象。

语义分割模型的输出是一个单一的高×宽类别图，其中每个像素值对应一个预测类别 ID。这使语义分割非常适合场景解析任务，例如自动驾驶、医学成像和土地覆盖制图。

模型#

下面展示了在 Cityscapes 数据集上预训练的 YOLO26 语义分割模型。

首次使用时，模型 会自动从最新的 Ultralytics 发布版本 下载。

• mIoU^val 值是在 Cityscapes 验证集上使用单模型单尺度得到的。
  使用 yolo semantic val data=cityscapes.yaml device=0 imgsz=2048 复现
• Speed 指标是在 RTX3090 实例上对 Cityscapes 验证图像取平均得到的。
  使用 yolo semantic val data=cityscapes.yaml batch=1 device=0|cpu imgsz=2048 复现
• Params 和 FLOPs 值对应于执行 model.fuse() 后的融合模型，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，因此显示的数量可能更高。

下面展示了在 ADE20K 数据集上预训练的 YOLO26 语义分割模型。

首次使用时，模型 会自动从最新的 Ultralytics 发布版本 下载。

• mIoU^val 值是在 ADE20K 验证集上使用单模型单尺度得到的。
  使用 yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml device=0 imgsz=640 复现，将 yolo26n-sem-ade20k.pt 替换为所需的 yolo26*-sem-ade20k.pt 检查点。
• Speed 指标是在 RTX3090 实例上对 ADE20K 验证图像取平均得到的。
  使用 yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml batch=1 device=0|cpu imgsz=640 复现，将 yolo26n-sem-ade20k.pt 替换为所需的 yolo26*-sem-ade20k.pt 检查点。
• Params 和 FLOPs 值对应于执行 model.fuse() 后的融合模型，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，因此显示的数量可能更高。

查看未发布的 YOLO27 预览版以了解初步的 Cityscapes mIoU 结果。

训练#

在 Cityscapes8 数据集上以图像大小 1024 训练 YOLO26n-sem，共训练 100 个周期。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-sem.yaml")  # build a new model from YAML
model = YOLO("yolo26n-sem.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-sem.yaml").load("yolo26n-sem.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

请在训练页面查看完整的 train 模式详细信息。语义分割模型也可以通过 Ultralytics Platform 云训练进行训练。

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 格式，其中每个像素值表示一个类别 ID。值为 255 的像素会被视为“ignore”，并从损失计算中排除。数据集 YAML 应指定图像路径及其对应的掩码目录。有关格式详细信息，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 标注管理语义数据集并为其添加标签。

验证#

在语义分割数据集上验证已训练的 YOLO26n-sem 模型准确率。显式传入 data，确保验证使用指定的数据集 YAML。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val(data="cityscapes.yaml")
metrics.miou  # mean Intersection over Union
metrics.pixel_accuracy  # overall pixel accuracy

Predict#

使用已训练的 YOLO26n-sem 模型对图像运行预测。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.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:
    semantic_mask = result.semantic_mask.data  # class map, shape (H,W), integer dtype selected by class count

请在预测页面查看完整的 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。每个结果都会为整张 图像存储一个密集类别图，而不是对象掩码列表。具有相同预测类别的像素共享相同的类别 ID，即使它们 属于不同对象。

有关每项任务中任务专用的 Results 字段，请参阅按任务划分的预测结果部分。

实例分割与语义分割#

导出#

将 YOLO26n-sem 模型导出为其他格式，例如 ONNX、CoreML 等。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

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

可用的 YOLO26 语义分割导出格式如下表所示。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，系统会为你的模型显示使用示例。

nms=None 默认对外部 NMS 使用原始输出。设置 nms=False 以选择可用的无 NMS 检测头；不支持的格式将回退到其本机输出路径。上面的 nms 条目标识了可以通过 nms=True 嵌入 NMS 的格式。

请在导出页面查看完整的 export 详情。

常见问题#