如何使用 Ultralytics YOLO11 进行实例分割

计算机视觉是人工智能 (AI) 领域的一个分支，旨在帮助机器解释和理解视觉信息，并支持实例分割等任务。实例分割可用于分析图像或视频帧，以标记图像中每个不同对象的精确边界，即使存在多个相同类型的对象也能准确识别。凭借其高精度，实例分割拥有广泛的应用，从帮助自动驾驶汽车检测道路上的障碍物，到识别医学扫描中的肿瘤，无所不包。

Over the years, instance segmentation has evolved significantly. A recent development was introduced during Ultralytics’ annual hybrid event, YOLO Vision 2024 (YV24), in the form of the Ultralytics YOLO11 model. The new model supports the same computer vision tasks (including instance segmentation) as the Ultralytics YOLOv8 model, so users familiar with previous versions can adopt the new model seamlessly.

图 1. 使用 Ultralytics YOLO11 模型进行实例分割的示例。

在本文中，我们将探索实例分割及其与语义分割等其他计算机视觉任务的区别，并讨论其部分应用。我们还将引导你了解如何使用 Ultralytics Python 软件包和 Ultralytics HUB 平台来使用 YOLO11 实例分割模型。让我们开始吧！

Link to this section什么是实例分割？#

实例分割可用于识别图像中的对象并勾勒其像素级轮廓。该过程通常包括首先检测对象并围绕它们绘制边界框。然后，分割算法会对边界框内的每个像素进行分类，从而为每个对象创建精确的掩码。

实例分割也不同于语义分割和全景分割等任务。语义分割根据对象的常规类别标记每个像素，而不区分单个实例。另一方面，全景分割结合了实例分割和语义分割，通过为每个像素标记类别和实例 ID 来识别每个类别中的单个对象。

图 2. 使用 YOLO11 检测并分割一个人和一只狗。

实例分割的功能可应用于需要不同模型的各种场景。例如，轻量级模型可能非常适合移动应用中的实时处理，而更复杂的模型则可用于制造业中质量控制等高精度任务。

与之前的模型一样，YOLO11 实例分割模型也根据你的需求提供了多种变体。这些变体包括 YOLO11n-seg (Nano)、YOLO11s-seg (Small)、YOLO11m-seg (Medium)、YOLO11l-seg (Large) 和 YOLO11x-seg (Extra Large)。这些模型在尺寸、处理速度、准确性和所需的计算能力方面各不相同。根据你的具体要求，你可以选择最适合你应用的模型。

Link to this sectionYOLO11 的实例分割应用#

YOLO11 的先进实例分割功能为各行各业开启了一系列应用。让我们仔细看看其中一些应用。

Link to this section在石油和天然气行业中使用 YOLO11 分割#

石油和天然气开采涉及管理极高压力的波动。气体燃烧等技术有助于烧掉石油开采过程中产生的天然气。出于安全原因，这是必要的。例如，在原油开采中，突然或巨大的压力峰值可能导致爆炸。虽然不常见，但石油和天然气制造业的工业事故可能导致难以遏制和控制的剧烈火灾。气体燃烧有助于操作员安全地为设备减压，并通过烧掉多余的气体来管理不可预测的大压力波动。

AI 系统可以改善这种监测流程，通过使用基于实例分割的火炬监测系统，可以降低事故风险。监测气体火炬对于环境因素也至关重要，因为过多的火炬燃烧会对环境产生负面影响。

Ultralytics YOLO11 实例分割模型可用于监控燃烧产生的火和烟雾的量。可以计算检测到的燃烧和烟雾的像素面积。利用这些信息，操作员可以获得对燃烧产生的火和烟雾的实时洞察，从而帮助他们预防事故和负面的环境影响。

图 3. 石油和天然气制造业中使用 YOLO11 进行燃烧监控的示例。

Link to this sectionYOLO11 在塑料废物管理中的实例分割#

废物管理和回收设施的工人可以使用基于 YOLO11 实例分割的系统来识别塑料废料。YOLO11 可以与机器人分拣系统集成，以准确识别纸板和塑料等不同废料（需分别处理）。考虑到全球产生的 70 亿吨塑料废物中只有约 10% 被回收，这一点尤其重要。

通过自动化识别和塑料垃圾分类，与工人手动分类的传统方法相比，所需时间显著减少。计算机视觉模型甚至可以分割软塑料，例如包装袋和塑料袋，这些塑料由于容易缠绕而特别具有挑战性。YOLO11 模型也可以通过自定义训练来分割不同类型的塑料。我们将在接下来的章节中进一步了解如何自定义训练 YOLO11 模型。

图 4. 使用 Ultralytics YOLO11 识别塑料废物。

Link to this sectionYOLO11 在自动驾驶汽车中的分割#

实例分割的另一个有趣应用场景是自动驾驶汽车。YOLO11 使自动驾驶汽车能够通过在像素级精确识别对象，从而提高乘客及道路上其他人员的安全。汽车的机载摄像头系统可以捕获周围环境的图像，并使用 YOLO11 和实例分割进行分析。图像中的每个对象（行人、交通信号灯、其他车辆等）都会被分割并打上标签。这种高精度水平使自动驾驶汽车能够识别周围的每一个物体。

图 5. 使用 YOLO11 和实例分割来识别道路上的车辆和行人。

Link to this section尝试使用 YOLO11 模型进行实例分割#

既然我们已经探索了实例分割并讨论了它的一些应用，让我们看看你如何使用 Ultralytics YOLO11 模型来尝试它。

有两种方法可以做到这一点：你可以使用 Ultralytics Python 软件包或 Ultralytics HUB。我们将探索这两种方法，首先从 Python 软件包开始。

Link to this section使用 YOLO11 运行推理#

运行推理涉及使用模型来分析新的、之前未见过的数据。要通过代码运行使用 YOLO11 实例分割模型的推理，我们需要使用 pip、conda 或 docker 安装 Ultralytics Python 软件包。如果你在安装过程中遇到任何问题，可以参考我们的常见问题指南以寻求故障排除方面的帮助。安装软件包后，你可以运行下方显示的代码来加载 YOLO11 实例分割模型并在图像上运行预测。

图 6. 使用 YOLO11n-seg 在图像上运行推理。

Link to this section训练自定义 YOLO11 模型#

通过相同的代码设置，你还可以训练自定义 YOLO11 模型。通过微调 YOLO11 模型，你可以创建一个更好地满足你特定项目要求的自定义模型版本。例如，零售商可以使用自定义模型来准确分割顾客的身体特征，以推荐合适的衣服。下面的代码片段展示了如何加载和训练用于实例分割的 YOLO11 模型。你可以从 YAML 配置或预训练模型开始，迁移权重，并在像 COCO 这样的数据集上进行训练，以实现有效的分割。

完成后，你可以针对你的特定应用使用自定义模型执行推理。使用导出选项，你还可以将自定义模型导出为其他格式。

Link to this sectionUltralytics HUB 上的 YOLO11 实例分割#

既然我们已经探索了通过代码运行推理和自定义训练 YOLO11 实例分割模型，让我们看看一个无需代码的替代方案：Ultralytics HUB。Ultralytics HUB 是一个直观的视觉 AI 平台，它简化了训练和部署 YOLO 模型（包括 YOLO11 实例分割模型）的过程。

要在图像上运行推理，你只需：创建一个账户，转到“模型”部分，然后选择你选择的 YOLO11 实例分割模型变体。你可以上传一张图像并在预览部分查看预测结果，如下图所示。

图 7. 在 Ultralytics HUB 上运行推理。

Link to this section关键要点#

YOLO11 提供了可靠的实例分割功能，为各行各业开启了无限可能。从提高自动驾驶汽车的安全性、监控石油和天然气行业的燃气燃烧，到实现回收设施的废物分拣自动化，YOLO11 的像素级精度使其成为处理复杂分割任务的理想选择。

通过 Ultralytics Python 软件包提供的自定义训练选项和通过 Ultralytics HUB 提供的无代码设置，用户可以无缝地将 YOLO11 集成到他们的工作流程中。无论是用于工业应用、医疗保健、零售还是环境监测，YOLO11 都能带来灵活性和准确性，以满足多样化的分割需求。

欲了解更多信息，请访问我们的 GitHub 仓库，并加入我们的社区。在我们的解决方案页面上探索自动驾驶汽车和农业领域的 AI 应用。🚀