Link to this section语义分割#

语义分割 为图像中的每个像素分配一个类标签，从而生成覆盖整个场景的密集类映射。与区分单个对象的 实例分割 不同，语义分割将同一类的所有像素组合在一起，而不管存在多少个不同的对象。

语义分割模型的输出是一个单一的宽高类映射，其中每个像素值对应一个预测的类 ID。这使得语义分割非常适合场景解析任务，如自动驾驶、医学成像和土地覆盖映射。

Link to this section模型#

在 Cityscapes 数据集上预训练的 YOLO26 语义分割模型如下所示。

模型在首次使用时会自动从最新的 Ultralytics 发布版本下载。

• mIoU^val 值适用于 Cityscapes 验证集上的单模型单尺度结果。
  使用 yolo semantic val data=cityscapes.yaml device=0 imgsz=2048 进行复现。
• 速度指标是在 RTX3090 实例上使用 Cityscapes 验证图像计算的平均值。
  使用 yolo semantic val data=cityscapes.yaml batch=1 device=0|cpu imgsz=2048 进行复现。
• 参数 (Params) 和 FLOPs 数值是模型经过 model.fuse()（合并卷积层和批量归一化层）之后的融合模型数据。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。

以下展示了在 ADE20K 数据集上预训练的 YOLO26 语义分割模型。

模型在首次使用时会自动从最新的 Ultralytics 发布版本下载。

• mIoU^val 数值基于 ADE20K 验证集上的单模型单尺度测试。
  你可以使用 yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml device=0 imgsz=640 进行复现，并将 yolo26n-sem-ade20k.pt 替换为你想要的 yolo26*-sem-ade20k.pt 权重文件。
• 速度指标是在 RTX3090 实例上使用 ADE20K 验证集图像平均所得。
  你可以使用 yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml batch=1 device=0|cpu imgsz=640 进行复现，并将 yolo26n-sem-ade20k.pt 替换为你想要的 yolo26*-sem-ade20k.pt 权重文件。
• 参数 (Params) 和 FLOPs 数值是模型经过 model.fuse()（合并卷积层和批量归一化层）之后的融合模型数据。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 Cityscapes8 数据集上以 1024 图像尺寸训练 YOLO26n-sem 模型 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-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)

See full train mode details in the Train page. Semantic segmentation models can also be trained with Ultralytics Platform cloud training.

Link to this section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），其中每个像素值代表一个类 ID。值为 255 的像素被视为“忽略”并排除在损失计算之外。数据集 YAML 应指定图像路径及其对应的掩码目录。有关格式的详细信息，请参阅 Semantic Segmentation Dataset Guide。支持的数据集包括 Cityscapes 和 ADE20K。你可以使用 Ultralytics Platform annotation 管理和标注语义数据集。

Link to this section验证#

在语义分割数据集上验证训练好的 YOLO26n-sem 模型的 准确性。显式传递 data 参数，以便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

Link to this section预测#

使用训练好的 YOLO26n-sem 模型在图像上运行预测。

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

See full predict mode details in the Predict page.

Link to this section结果输出#

YOLO 语义分割为每张图像返回一个 Results 对象。每个结果存储整个图像的一个密集类映射，而不是对象掩码列表。即使属于不同的对象，具有相同预测类的像素也共享相同的类 ID。

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实例分割与语义分割#

Link to this section导出#

将 YOLO26n-sem 模型导出为其他格式，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")

下表列出了可用的 YOLO26 语义分割导出格式。您可以使用 format 参数导出为任何格式，例如 format='onnx' 或 format='engine'。您可以直接在导出的模型上进行预测或验证，例如 yolo predict model=yolo26n-sem.onnx。导出完成后，将显示您模型的用法示例。

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如何训练自定义数据集上的 YOLO26 语义分割模型？#

要在自定义数据集上训练 YOLO26 语义分割模型，您需要准备 PNG 掩码图像，其中每个像素值代表一个类 ID (0, 1, 2, ...)，值为 255 的像素在训练过程中会被忽略。创建一个指向您的图像和掩码目录的数据集 YAML 文件，然后进行训练：

from ultralytics import YOLO

# Load a pretrained YOLO26 semantic segmentation model
model = YOLO("yolo26n-sem.pt")

# Train the model
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=512)

查看配置页面以了解更多可用参数。

Link to this section实例分割和语义分割有什么区别？#

实例分割和语义分割都是像素级任务，但在关键方面有所不同：

• 语义分割 为每个像素分配一个类标签，但不区分同一类的单个对象。例如，场景中的所有汽车共享相同的类标签。
• 实例分割 单独识别每个对象，即使属于同一类，也会为每个对象生成不同的掩码。

语义分割最适合自动驾驶和土地覆盖映射等场景理解任务，而当需要计数或跟踪单个对象时，则首选实例分割。

Link to this section我可以使用实例分割数据来训练语义分割吗？#

Yes. If your dataset uses Ultralytics YOLO polygon labels (one .txt per image), omit masks_dir from the dataset YAML, and make sure no masks/ folder exists next to your images at the dataset root (its presence alone triggers PNG-mask mode even without masks_dir set). The loader then converts polygons to per-image semantic masks on the fly. For multi-class datasets (N > 1) an extra background class is appended to names automatically. For single-class datasets (N == 1) training stays at 1 class — your declared class becomes 1 in the mask and uncovered pixels become 0. See the Semantic Segmentation Dataset Guide for details.

Link to this section语义分割支持哪些数据集？#

Ultralytics YOLO26 为多个语义分割数据集提供了内置配置：

• Cityscapes： 包含 19 个类别的城市街道场景，广泛用于自动驾驶研究。
• ADE20K： 一个具有 150 个类别的大规模场景解析数据集。

您也可以使用任何提供 PNG 掩码标注的自定义数据集，其中像素值对应于类 ID。

Link to this section如何验证预训练的 YOLO26 语义分割模型？#

使用用于评估的数据集 YAML 验证预训练的 YOLO26 语义分割模型：

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n-sem.pt")

# Validate the model
metrics = model.val(data="cityscapes.yaml")
print("Mean IoU:", metrics.miou)
print("Pixel Accuracy:", metrics.pixel_accuracy)

这些步骤将为您提供诸如平均交并比 (mIoU) 和像素准确度等验证指标，这些是评估语义分割性能的标准衡量指标。

Link to this section如何将 YOLO26 语义分割模型导出为 ONNX 格式？#

使用 Python 或 CLI 命令将 YOLO26 语义分割模型导出为 ONNX 格式：

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n-sem.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。