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，生成覆盖整个场景的密集类图。与将单个对象分离开来的实例分割不同，语义分割将同一类的所有像素归为一组，无论是否存在多个独立对象。

语义分割模型的输出是一个高度乘以宽度的单通道类图，其中每个像素值对应一个预测出的类别 ID。这使得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测绘。

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 发布版本中下载。

• mIoU^val 值是在 Cityscapes 验证集上进行的单模型单尺度测试。
  使用 yolo semantic val data=cityscapes.yaml device=0 imgsz=2048 进行复现。
• 速度指标是在 RTX3090 实例上对 Cityscapes 验证图像进行平均的结果。
  使用 yolo semantic val data=cityscapes.yaml batch=1 device=0|cpu imgsz=2048 进行复现。
• 参数和 FLOPs 值针对 model.fuse() 融合后的模型，该操作合并了 Conv 和 BatchNorm 层。预训练检查点保留了完整的训练架构，因此计数值可能会更高。

Link to this section训练#

在 Cityscapes8 数据集上以 1024 图像尺寸训练 YOLO26n-sem 100 个 epoch。有关可用参数的完整列表，请查看配置页面。

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.

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”并从损失计算中排除。数据集 YAML 文件应指定图像及其对应掩码目录的路径。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。

Link to this section验证#

在语义分割数据集上验证已训练的 YOLO26n-sem 模型准确率。请显式传递 data，以便验证过程使用预期的数据集 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#

使用已训练的 YOLO26n-sem 模型对图像进行预测。

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。每个结果存储一张覆盖整幅图像的密集类图，而不是一组对象掩码。具有相同预测类别的像素共享相同的类 ID，即使它们属于不同的对象。

有关各项任务中特定的 Results 字段，请参阅按任务划分的预测结果部分。

Link to this section实例分割与语义分割对比#

Link to this section导出#

典型用途

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。你可以使用 format 参数导出到任何格式，例如 format='onnx' 或 format='engine'。你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，将显示针对你模型的用法示例。

See full export details in the Export page.

Link to this section常见问题解答#

Link to this section如何使用自定义数据集训练 YOLO26 语义分割模型？#

要使用自定义数据集训练 YOLO26 语义分割模型，你需要准备 PNG 格式的掩码图像，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。创建一个指向图像和掩码目录的数据集 YAML 文件，然后训练模型：

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 Configuration 页面以获取更多可用参数。

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，但有一个关键区别：

• 语义分割 为每个像素分配一个类标签，但不区分同一类的个体对象。例如，场景中的所有汽车共享相同的类标签。
• 实例分割 分别识别每个个体对象，为每个对象生成不同的掩码，即使它们属于同一类别。

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个体对象时，通常首选实例分割。

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

你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)

这些步骤将为你提供诸如平均交并比 (mIoU) 和像素准确率等验证指标，这些是评估语义分割性能的标准度量。

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")

有关导出到各种格式的更多详细信息，请参考 Export 页面。