Ultralytics YOLO

如何使用 Ultralytics YOLO11 进行实例分割

了解全新的 Ultralytics YOLO11 模型如何用于实例分割，从而在废物管理和火炬监测等应用中实现更高的精度。

ABAbirami Vina5 min readNovember 5, 2024

计算机视觉是人工智能 (AI)的一个领域，可帮助机器解释和理解视觉信息，并能实现实例分割等任务。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，即使存在多个同类型的对象也是如此。凭借高精度，实例分割具有广泛的应用，从帮助自动驾驶汽车检测路上的障碍物到识别医学扫描中的肿瘤。

多年来，实例分割经历了显着发展。最近的一项进展在 Ultralytics 的年度混合活动 YOLO Vision 2024 (YV24)上推出，即Ultralytics YOLO11模型。新模型支持与Ultralytics YOLOv8模型相同的计算机视觉任务（包括实例分割），因此熟悉以前版本的用户可以无缝采用新模型。

使用 Ultralytics YOLO11 模型进行实例分割

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

在本文中，我们将探讨实例分割及其与语义分割等其他计算机视觉任务的区别，并讨论它的一些应用。我们还将介绍如何使用Ultralytics Python 软件包和Ultralytics HUB平台来使用 YOLO11 实例分割模型。我们开始吧！

什么是实例分割？#

实例分割可用于识别图像中的对象并在像素级别勾勒出它们的轮廓。该过程通常包括首先检测对象并在其周围绘制边界框。然后，分割算法对边界框内的每个像素进行分类，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通用类别对每个像素进行标记，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，用类和实例 ID 标记每个像素，从而识别每个类别中的单个对象。

使用 YOLO11 检测和分割人与狗

图 2. 使用 YOLO11 检测并分割一个人和一只狗。

实例分割的功能可以应用于可能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程序中的实时处理，而更复杂的模型可用于制造中的质量控制等高精度任务。

与以前的模型一样，YOLO11实例分割模型也根据你的需求提供几种变体。这些变体包括 YOLO11n-seg (Nano)、YOLO11s-seg (Small)、YOLO11m-seg (Medium)、YOLO11l-seg (Large) 和 YOLO11x-seg (Extra Large)。这些模型的大小、处理速度、准确性和所需的计算能力各不相同。根据你的具体要求，你可以选择最适合你应用的模型。

YOLO11 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。

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。气体火炬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，突然或显著的压力峰值可能会导致爆炸。虽然少见，但石油和天然气制造行业的工业事故可能会导致难以控制的烈火。气体火炬燃烧通过烧掉多余的气体，帮助操作员安全地给设备降压并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测火炬燃烧产生的火灾和烟雾量。可以计算检测和分割出的火炬和烟雾的像素面积。利用这些信息，操作员可以获得有关火炬燃烧产生的火灾和烟雾的实时见解，从而帮助他们防止事故和负面环境影响。

在石油和天然气制造中使用 YOLO11 进行火炬监测的示例

图 3. 石油和天然气制造业中使用 YOLO11 进行燃烧监控的示例。

YOLO11 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，以准确识别不同的废料，如纸板和塑料（以便单独处理）。考虑到全球产生的 70 亿吨塑料废料中只有大约 10% 被回收，这一点尤其重要。

与工人手工分拣物品的传统方法相比，自动化识别和塑料废料分拣显着减少了所需的时间。计算机视觉模型甚至可以分割软塑料（如包装膜和袋子），由于它们经常缠绕在一起，这些塑料特别具有挑战性。YOLO11 模型也可以自定义训练以分割不同类型的塑料。我们将在以下部分详细了解如何自定义训练 YOLO11 模型。

使用 Ultralytics YOLO11 识别塑料废料

图 4. 使用 Ultralytics YOLO11 识别塑料废物。

YOLO11 在自动驾驶汽车中的分割#

实例分割的另一个有趣用例是在自动驾驶汽车中。YOLO11 使自驾车能够通过在像素级别准确识别对象来提高乘客安全和路上其他人的安全。车载相机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。图像中的每个对象（行人、交通信号灯、其他车辆等）都被分割并赋予一个标签。这种精度水平使自动驾驶汽车能够识别周围的每一个对象。

使用 YOLO11 实例分割来识别路上的车辆和行人

图 5。使用 YOLO11 和实例分割来识别路上的车辆和行人。

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。

使用 YOLO11 运行推理#

运行推理涉及使用模型来分析新的、以前未见过的数据。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获取故障排除帮助。安装软件包后，你可以运行下面显示的代码来加载 YOLO11 实例分割模型并对图像运行预测。

使用 YOLO11n-seg 对图像运行推理

图 6. 使用 YOLO11n-seg 在图像上运行推理。

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。通过微调 YOLO11 模型，你可以创建更好地满足你的特定项目要求的模型的自定义版本。例如，零售商可以使用自定义模型来准确分割客户的身体特征，以推荐合身的衣服。下面的代码片段显示了如何加载和训练 YOLO11 模型进行实例分割。你可以从YAML 配置或预训练模型开始，转移权重并在像 COCO 这样的数据集上进行训练，以实现有效的分割。

完成后，你可以使用自定义模型为你的特定应用执行推理。使用导出选项，你还可以将自定义模型导出为不同的格式。