图像分割

图像分割#

图像分割是一项涉及将图像根据其内容划分为不同区域的任务。每个区域根据其内容被赋予一个标签。这项任务在图像分割和医学成像等应用中非常有用。YOLO11 采用 U-Net 架构的一种变体来执行分割任务。

实例分割（Instance segmentation）比对象检测更进一步，它涉及在图像中识别单个对象并将它们从其余部分中分离出来。

实例分割模型的输出是一组掩膜或轮廓，这些掩膜或轮廓勾勒出图像中的每个对象，并且还为每个对象提供类别标签和置信度分数。当您不仅需要知道图像中对象的位置，还需要知道它们的确切形状时，实例分割非常有用。

小技巧

YOLOv11分割模型使用-seg后缀，即yolo11n-seg.pt，并在COCO数据集上进行了预训练。

模型#

此处展示了YOLOv11预训练的分割模型。检测、分割和姿态模型是在COCO数据集上预训练的，而分类模型则是在ImageNet数据集上预训练的。

模型会在首次使用时自动从最新的Ultralytics 发行版下载。

模型名称

尺寸（像素）

mAPbox50-95

mAPmask50-95

CPU ONNX速度(ms)

T4 TensorRT10速度(ms)

参数量(M)

FLOPs(B)

YOLOv11n-seg

640

38.9

32.0

65.9 ± 1.1

1.8 ± 0.0

2.9

10.4

YOLOv11s-seg

640

46.6

37.8

117.6 ± 4.9

2.9 ± 0.0

10.1

35.5

YOLOv11m-seg

640

51.5

41.5

281.6 ± 1.2

6.3 ± 0.1

22.4

123.3

YOLOv11l-seg

640

53.4

42.9

344.2 ± 3.2

7.8 ± 0.2

27.6

142.2

YOLOv11x-seg

640

54.7

43.8

664.5 ± 3.2

15.8 ± 0.7

62.1

319.0

  • **mAPval**值是针对COCO val2017数据集上的单个模型单尺度计算得出的。通过yolo val segment data=coco-seg.yaml device=0重现

  • 速度是在使用Amazon EC2 P4d实例的情况下，对COCO验证图像进行平均计算得出的。通过yolo val segment data=coco-seg.yaml batch=1 device=0|cpu重现}

训练#

在COCO8-seg数据集上，针对图像尺寸为640的情况，对YOLOv11n-seg进行100个轮次的训练。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.yaml")  # build a new model from YAML
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n-seg.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

验证#

验证训练好的YOLOv11n-seg模型在COCO8-seg数据集上的准确率。由于model保留了其训练数据和参数作为模型的属性，因此不需要额外的参数。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95(B)
metrics.box.map50  # map50(B)
metrics.box.map75  # map75(B)
metrics.box.maps  # a list contains map50-95(B) of each category
metrics.seg.map  # map50-95(M)
metrics.seg.map50  # map50(M)
metrics.seg.map75  # map75(M)
metrics.seg.maps  # a list contains map50-95(M) of each category

预测#

使用训练有素的 YOLO11n-seg 模型对图像进行预测。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.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

FAQs#

YOLO11中的目标检测和实例分割有什么区别？

目标检测通过在图像中的物体周围绘制边界框来识别和定位对象，而实例分割不仅识别边界框，还描绘每个对象的精确形状。YOLO11实例分割模型提供掩模或轮廓，勾勒出每个检测到的对象的形状，这对于需要知道对象精确形状的任务非常有用，例如医学影像或自动驾驶。

为什么使用YOLO11进行实例分割？

Ultralytics YOLO11是一个被公认为高精度和实时性能的先进模型，使其成为实例分割任务的理想选择。YOLO11分割模型在COCO数据集上预训练，确保了对各种对象的强大性能。此外，YOLO支持无缝集成的训练、验证、预测和导出功能，使其在研究和工业应用中非常通用。

如何加载和验证预训练的YOLO分割模型？

加载和验证预训练的YOLO分割模型是直接的。以下是如何使用Python和CLI来完成这一过程的方法：

from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolo11n-seg.pt")

# 验证模型
metrics = model.val()
print("框的平均精度均值:", metrics.box.map)
print("掩码的平均精度均值:", metrics.seg.map)

这些步骤将为您提供诸如Mean Average Precision（mAP）等验证指标，这对于评估模型性能至关重要。