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，能帮助机器解读和理解视觉信息，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，并标出图像中每个独立物体的精确边界，即使画面中存在多个同类物体也能做到。实例分割精度很高，应用范围广泛，既可以帮助自动驾驶汽车检测道路障碍物，也可以用于识别医学扫描图像中的肿瘤。

多年来，实例分割技术取得了显著发展。近期的一项进展是在 Ultralytics 年度线上线下混合活动 YOLO Vision 2024 (YV24) 上推出的 Ultralytics YOLO11 模型（其后续版本为 Ultralytics YOLO26）。新模型支持与 Ultralytics YOLOv8 相同的计算机视觉任务，包括实例分割，因此熟悉先前版本的用户可以轻松采用新模型。

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

本文将介绍实例分割及其与语义分割等其他计算机视觉任务的区别，并探讨它的一些应用。我们还将逐步讲解如何使用 Ultralytics Python 软件包和 Ultralytics HUB（现为 Ultralytics Platform）中的 YOLO11 实例分割模型。现在就开始吧！

什么是实例分割？#

实例分割可用于识别图像中的物体，并在像素级别勾勒出物体轮廓。这个过程通常先检测物体，再在物体周围绘制边界框。接着，分割算法会对边界框内的每个像素进行分类，为每个物体生成精确的掩码。

实例分割也不同于语义分割和全景分割等任务。语义分割根据物体的总体类别为每个像素赋予标签，但不区分单个实例。另一方面，全景分割结合了实例分割和语义分割，为每个像素同时标注类别和实例 ID，从而识别每个类别中的独立物体。

图 2. 使用 YOLO11 检测并分割一个人和一只狗。

实例分割的能力可用于各种场景，而不同场景可能需要不同的模型。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质量控制等需要高精度的任务。

与之前的模型一样，YOLO11 实例分割模型也提供了多种变体，以满足不同需求，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、精度和所需计算能力方面各不相同。你可以根据具体需求选择最适合应用场景的模型。

YOLO11 的实例分割应用#

YOLO11 先进的实例分割能力为各行各业带来了广泛的应用机会。让我们深入了解其中的一些应用。

在石油和天然气行业中使用 YOLO11 分割#

石油和天然气开采需要应对极高的压力波动。气体燃烧等技术可以烧掉石油开采过程中产生的天然气，这对于安全至关重要。例如，在原油开采过程中，压力突然或大幅升高可能导致爆炸。虽然并不常见，但石油和天然气制造领域的工业事故可能引发难以控制和扑灭的大火。气体燃烧有助于运营方安全地降低设备压力，并通过燃烧多余气体来应对不可预测的大幅压力波动。

AI 系统可以改进这一监控流程，而使用基于实例分割的火炬监控系统可以降低事故风险。监控天然气燃烧对环境保护也很重要，因为过度燃烧会对环境造成负面影响。

Ultralytics YOLO11 实例分割模型可用于监测燃烧作业产生的火焰和烟雾规模。系统可以计算检测并分割出的火焰和烟雾所占的像素面积。借助这些信息，运营方可以实时了解燃烧作业产生的火焰和烟雾情况，从而预防事故和负面环境影响。

图 3. 在石油和天然气制造业中使用 YOLO11 监控火炬的示例。

使用 YOLO11 实例分割管理塑料废弃物#

废弃物管理和回收设施的工作人员可以使用基于 YOLO11 实例分割的系统识别塑料废弃物。YOLO11 可以集成到机器人分拣系统中，准确识别不同的废弃物，如纸板和塑料，以便分别处理。这一点尤为重要，因为全球产生的 70 亿公吨塑料废弃物中，只有约 10% 得到回收。

与工人手动分拣物品的传统方法相比，自动识别和分拣塑料废弃物能显著缩短所需时间。计算机视觉模型甚至可以分割保鲜膜和塑料袋等软塑料，这些材料尤其难处理，因为它们经常缠在一起。YOLO11 模型还可以通过自定义训练来分割不同类型的塑料。接下来的章节将介绍如何对 YOLO11 模型进行自定义训练。

图 4. 使用 Ultralytics YOLO11 识别塑料废弃物。

YOLO11 在自动驾驶汽车中的分割应用#

实例分割的另一个有趣应用是自动驾驶汽车。YOLO11 可以在像素级别准确识别物体，帮助自动驾驶汽车提高乘客和道路其他使用者的安全。车载摄像头系统可以拍摄周围环境的图像，并使用 YOLO11 和实例分割进行分析。图像中的每个物体（行人、交通灯、其他车辆等）都会被分割并赋予标签。如此高的精度使自动驾驶汽车能够识别周围的每一个物体。

图 5. 使用 YOLO11 和实例分割识别道路上的车辆和行人。

使用 YOLO11 模型体验实例分割#

现在我们已经了解了实例分割并讨论了一些应用，接下来看看如何使用 Ultralytics YOLO11 模型进行体验。

有两种方式：你可以使用 Ultralytics Python 软件包，也可以使用 Ultralytics HUB。我们将从 Python 软件包开始，逐一介绍这两种方式。

使用 YOLO11 运行推理#

执行推理时，模型会分析此前未见过的新数据。要通过代码使用 YOLO11 实例分割模型进行推理，我们需要使用 pip、conda 或 Docker 安装 Ultralytics Python 软件包。如果在安装过程中遇到问题，可以参阅我们的常见问题指南，获取故障排查帮助。安装软件包后，你可以运行下面的代码，加载 YOLO11n-seg 实例分割模型并对图像进行预测。

图 6. 使用 YOLO11n-seg 对图像运行推理。

训练自定义 YOLO11 模型#

使用相同的代码设置，你还可以训练自定义 YOLO11 模型。通过对 YOLO11 模型进行微调，你可以创建更符合项目具体要求的自定义模型。例如，零售商可以使用自定义模型准确分割顾客的身体特征，从而推荐合身的服装。以下代码示例展示了如何加载并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，并使用类似 COCO 的数据集进行训练，以实现有效的分割。

完成后，你可以使用自定义模型为特定应用执行推理。使用导出模式，你还可以将自定义模型转换为其他部署格式。

在 Ultralytics HUB 上使用 YOLO11 进行实例分割#

现在我们已经了解了如何通过代码对 YOLO11 实例分割模型运行推理和进行自定义训练，接下来看看无代码替代方案：Ultralytics HUB。Ultralytics HUB 是一个直观易用的视觉 AI 平台，可简化 YOLO 模型的训练和部署流程，包括 YOLO11 实例分割模型。

要对图像运行推理，只需创建账户，进入“模型”部分，然后选择你想要的 YOLO11 实例分割模型变体。你可以上传图像，并在预览区域查看预测结果，如下所示。

图 7. 在 Ultralytics HUB 上运行推理。

要点#

YOLO11 提供可靠的实例分割能力，为各行各业带来了广泛的应用可能。从提升自动驾驶汽车的安全性、监控石油和天然气行业的火炬燃烧，到自动化回收设施中的废弃物分拣，YOLO11 的像素级精度使其非常适合复杂的分割任务。

用户可以通过 Ultralytics Python 软件包进行自定义训练，也可以通过 Ultralytics HUB 使用无代码设置，从而将 YOLO11 集成到自己的工作流程中。无论是工业应用、医疗保健、零售还是环境监测，YOLO11 都能以灵活且准确的方式满足各种分割需求。

如需进一步探索，请访问我们的 GitHub 代码库，并加入我们的社区。你还可以在我们的解决方案页面上探索自动驾驶汽车和农业领域中的 AI 应用。