如何使用Ultralytics YOLO11 进行实例细分

计算机视觉是人工智能（AI）的一个领域，它可以帮助机器解释和理解视觉信息，从而完成实例分割等任务。实例分割 可用于分析图像或视频帧，以准确标出图像中每个不同物体的边界，即使存在多个相同类型的物体也不例外。实例分割具有很高的精确度，应用范围非常广泛，从帮助自动驾驶汽车 detect 道路上的障碍物，到识别 医学扫描中的肿瘤，无所不能。

多年来，实例细分已经有了长足的发展。最近，Ultralytics在年度混合活动 YOLO Vision 2024（YV24）上推出了一项新发展，即 Ultralytics YOLO11机型。新模型支持的计算机视觉任务（包括实例分割）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。

​

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不同之处，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。让我们开始吧！

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。该过程通常首先涉及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，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一般类别标记每个像素，而不区分各个实例。全景分割另一方面，它结合了实例分割和语义分割，通过使用类别和实例 ID 标记每个像素，从而识别每个类别中的各个对象。

​

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中。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高精度任务，例如制造业中的质量控制。

与之前的型号一样 YOLO11实例细分模型也有多种变体，可根据您的需求进行选择。这些变体包括 YOLO11n-seg（纳米）、YOLO11s-seg（小型）、YOLO11m-seg（中型）、YOLO11l-seg（大型）和 YOLO11x-seg（超大型）。这些型号在尺寸、处理速度、精确度和所需计算能力方面各不相同。根据您的具体要求，您可以选择最适合您应用的型号。

YOLO11的实例分割应用

YOLO11 先进的实例分割功能为各行各业开辟了一系列应用领域。让我们来详细了解其中的一些应用。

在石油和天然气行业使用YOLO11 细分技术

石油和天然气开采涉及管理极高的压力波动。诸如气体燃烧之类的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导致爆炸。虽然不常见，但石油和天然气制造领域的工业事故可能导致难以控制的强烈火灾。气体燃烧有助于操作员安全地降低设备压力，并通过烧掉多余的气体来管理不可预测的大压力波动。

人工智能系统可以改进此监控过程，并且可以通过使用基于实例分割的火炬监测系统来降低事故风险。监测气体燃烧对于环境原因也很重要，因为过多的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燃烧造成的火量和烟量。可以计算出检测和分割的火苗和烟雾的像素面积。利用这些信息，操作人员可以实时了解燃烧造成的火光和烟雾，帮助他们防止事故和对环境的负面影响。 

​

利用YOLO11 对塑料废物管理进行实例分割 

废物管理和回收设施的工作人员可以使用基于YOLO11 实例分割的系统来识别塑料废料。YOLO11 可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（分别处理）。考虑到在全球产生的 70 亿吨塑料垃圾中，只有约 10% 得到回收利用，这一点尤为重要。

与工人手工分拣物品的传统方法相比，自动识别和分拣塑料垃圾大大减少了所需时间。计算机视觉模型甚至可以segment 软塑料，如包装纸和包装袋，因为这些塑料经常会缠绕在一起，所以segment 起来特别困难。YOLO11 模型还可以进行定制训练，以segment 不同类型的塑料。我们将在下文中详细介绍如何自定义训练 YOLO11 模型。

​

YOLO11 自动驾驶汽车的细分市场

实例分割的另一个有趣应用案例是自动驾驶汽车。YOLO11 通过在像素级别准确识别物体，使自动驾驶汽车能够提高乘客安全和道路上其他人的安全。汽车的车载摄像系统可以捕捉周围环境的图像，并使用YOLO11 和实例分割对其进行分析。图像中的每个物体（行人、交通信号灯、其他车辆等）都会被分割，并被赋予一个标签。这样的精确度使自动驾驶汽车有能力识别周围的每一个物体。 

​

使用YOLO11 模型尝试实例分割

现在，我们已经探索了实例细分并讨论了它的一些应用，让我们看看如何使用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，也可以使用Ultralytics HUB。我们将从Python 软件包开始，对这两种方法进行探讨。

使用YOLO11进行推论YOLO11

运行推理包括使用模型来分析以前未见过的新数据。要通过代码使用YOLO11 实例分割模型运行推理，我们需要使用 pip、conda 或 docker 安装Ultralytics Python 软件包。如果您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》来协助排除故障。安装好软件包后，就可以运行下图所示的代码来加载YOLO11 实例分割模型，并在图像上运行预测。

​

训练自定义YOLO11 模型

使用相同的代码设置，您还可以训练自定义的YOLO11 模型。通过微调 YOLO11 模型，您可以创建一个自定义版本的模型，更好地满足您的特定项目要求。例如，零售商可以使用自定义模型来准确segment 客户的身体特征，从而推荐合适的服装。下面的代码片段展示了如何加载和训练用于实例细分的YOLO11 模型。您可以从YAML 配置或预训练模型开始，转移权重，并在 COCO等数据集上进行训练，以实现有效的细分。 

​

​

完成后，您可以使用自定义模型为您的特定应用执行推理。使用导出选项，您还可以将您的自定义模型导出为不同的格式。

Ultralytics HUB 上的YOLO11 实例分割

现在，我们已经探索了通过代码运行推论和自定义训练YOLO11 实例分割模型的方法，让我们来看看无需代码的替代方法：Ultralytics HUB。Ultralytics HUB 是一个直观的 Vision AI 平台，可以简化训练和部署YOLO 模型（包括YOLO11 实例分割模型）的过程。 

要对图像进行推理，您只需创建一个账户，进入 "模型 "部分，然后选择您所需的YOLO11 实例分割模型变体。您可以上传图像，并在预览部分查看预测结果，如下图所示。

​

主要要点

YOLO11 提供可靠的实例分割功能，为各行各业带来了无限可能。从提高自动驾驶汽车的安全性、监控石油和天然气行业的天然气燃烧，到回收设施的垃圾自动分类，YOLO11的像素级精度使其成为复杂细分任务的理想选择。 

用户可以通过Ultralytics Python 软件包进行定制培训，也可以通过Ultralytics HUB 进行无代码设置，从而将YOLO11 无缝集成到工作流程中。无论是工业应用、医疗保健、零售还是环境监测，YOLO11 都能带来灵活性和准确性，满足不同的细分需求。

要了解更多信息，请访问我们的 GitHub 仓库，并与我们的 社区 互动。在我们的解决方案页面上探索 自动驾驶汽车 和 农业 中的 AI 应用。🚀