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，它帮助机器解释和理解视觉信息，从而实现诸如实例分割之类的任务。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，即使存在同一类型的多个对象也是如此。凭借其高精度，实例分割具有广泛的应用，从帮助 自动驾驶汽车 检测道路上的障碍物到识别医学扫描中的肿瘤。

多年来，实例分割已经取得了显著的进展。Ultralytics 在 年度混合活动 YOLO Vision 2024 (YV24) 期间推出了最新的 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地采用新模型。

​

在本文中，我们将探讨实例分割，以及它与其他计算机视觉任务（如语义分割）的不同之处，并讨论它的一些应用。我们还将演练如何使用 Ultralytics Python 包和 Ultralytics HUB 平台使用 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。

与之前的模型一样，YOLO11 实例分割模型也带有多种变体，具体取决于您的需求。这些变体包括 YOLO11n-seg (Nano)、YOLO11s-seg (Small)、YOLO11m-seg (Medium)、YOLO11l-seg (Large) 和 YOLO11x-seg (Extra Large)。这些模型在大小、处理速度、准确性和所需的计算能力方面有所不同。根据您的具体要求，您可以选择最适合您应用程序的模型。

YOLO11 的实例分割应用

YOLO11 先进的实例分割功能为各个行业开辟了一系列应用。让我们仔细看看其中的一些应用。

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引起的火灾和烟雾量。可以计算检测和分割的火炬和烟雾的像素面积。利用这些信息，操作员可以实时了解燃烧引起的火炬和烟雾，从而帮助他们预防事故和负面环境影响。 

​

使用 YOLO11 进行实例分割，用于塑料废物管理 

在废物管理和回收设施中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物材料。YOLO11 可以与机器人分拣系统集成，以准确识别不同的废物材料，如纸板和塑料（分别处理）。考虑到全球产生的 70 亿吨塑料废物中，只有约 10% 得到回收，这一点尤为重要。

与传统的手工分拣方式相比，自动化识别和分拣塑料废物可以显著减少所需时间。计算机视觉模型甚至可以分割软塑料，如包装纸和塑料袋，这些塑料尤其难以处理，因为它们经常缠绕在一起。YOLO11 模型还可以进行自定义训练，以分割不同类型的塑料。我们将在以下章节中了解更多关于如何自定义训练 YOLO11 模型的信息。

​

YOLO11 分割在自动驾驶车辆中的应用

实例分割的另一个有趣用例是在自动驾驶汽车中。YOLO11 使自动驾驶汽车能够通过在像素级别准确识别物体，从而提高乘客和道路上其他人的安全性。汽车的车载摄像头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、交通灯、其他车辆等）都被分割并赋予标签。这种精确度使自动驾驶汽车能够识别周围的每一个物体。 

​

尝试使用 YOLO11 模型进行实例分割

现在我们已经探讨了实例分割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：您可以使用 Ultralytics Python 包或 Ultralytics HUB。我们将探讨这两种方法，首先从 Python 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 包。如果您在安装过程中遇到任何问题，您可以参考我们的常见问题解答指南以获得故障排除方面的帮助。安装完成后，您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。

​

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 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需求。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，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分割的 YOLO11 模型。您可以从 YAML 配置文件或预训练模型开始，迁移权重，并在 COCO 等数据集上进行训练，以实现有效的分割。 

​

​

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

现在我们已经探讨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，可简化训练和部署 YOLO 模型（包括 YOLO11 实例分割模型）的过程。 

要在图像上运行推理，您只需：创建一个帐户，转到“模型”部分，然后选择您选择的 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，如下所示。

​

主要要点

YOLO11 提供可靠的实例分割功能，为各个行业开启了无限可能。从提高自动驾驶车辆的安全性、监控石油和天然气行业的天然气燃烧，到自动化回收设施中的废物分拣，YOLO11 的像素级精度使其成为复杂分割任务的理想选择。 

通过 Ultralytics Python 包进行自定义训练的选项，以及通过 Ultralytics HUB 进行的无代码设置，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，以满足不同的分割需求。

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。🚀