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，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，标记图像中每个不同对象的精确边界，即使图像中存在多个同类型对象也能做到。凭借其高精度，实例分割的应用范围十分广泛，从帮助自动驾驶汽车检测道路上的障碍物，到在医学扫描图像中识别肿瘤，都可以发挥作用。

多年来，实例分割取得了显著发展。最近的一项进展是在 Ultralytics 的年度混合活动YOLO Vision 2024 (YV24)期间推出的Ultralytics YOLO11模型。这个新模型支持与Ultralytics YOLOv8模型相同的计算机视觉任务，包括实例分割，因此熟悉之前版本的用户可以无缝采用新模型。

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。现在开始吧！

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。该过程通常首先检测对象，并在对象周围绘制边界框。然后，分割算法会对边界框内的每个像素进行分类，为每个对象创建一个精确掩码。

实例分割也不同于语义分割和全景分割等任务。语义分割根据对象所属的一般类别为每个像素赋予标签，但不会区分单个实例。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单个对象。

图 2。使用 YOLO11 检测并分割人物和狗。

实例分割的能力可应用于各种场景，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高精度任务。

与之前的模型一样，YOLO11实例分割模型也提供多种变体，以满足你的不同需求。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、准确率以及所需的计算能力方面有所不同。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可能。下面我们来详细了解其中一些应用。

在石油和天然气行业中使用 YOLO11 分割#

石油和天然气开采需要应对极高的压力波动。天然气放空燃烧等技术可以烧掉石油开采过程中产生的天然气，出于安全原因，这项技术十分必要。例如，在原油开采过程中，突然或大幅度的压力升高可能导致爆炸。虽然并不常见，但石油和天然气制造行业的工业事故可能引发难以遏制和控制的猛烈火灾。通过燃烧多余气体，天然气放空燃烧可以帮助操作人员安全地降低设备压力，并应对不可预测的大幅压力波动。

AI 系统可以改进这一监控过程，而使用基于实例分割的火炬监控系统可以降低事故风险。监控天然气放空燃烧对于环境保护也很重要，因为过度放空燃烧可能对环境造成负面影响。

Ultralytics YOLO11 实例分割模型可用于监控放空燃烧产生的火焰和烟雾量。可以计算检测并分割出的火焰和烟雾的像素面积。借助这些信息，操作人员可以实时了解放空燃烧产生的火焰和烟雾，从而帮助预防事故和减少对环境的负面影响。

图 3。使用 YOLO11 监控石油和天然气制造中火炬的示例。

使用 YOLO11 进行塑料废弃物管理中的实例分割#

废弃物管理和回收设施的工作人员可以使用基于 YOLO11 实例分割的系统来识别塑料废弃物。YOLO11 可与机器人分拣系统集成，以准确识别纸板和塑料等不同废弃物材料，并将它们分别处理。考虑到全球产生的 70 亿吨塑料废弃物中只有约 10% 得到回收，这一点尤为重要。

与工作人员手工分拣物品的传统方法相比，自动化塑料废弃物识别和分拣可以显著减少所需时间。计算机视觉模型甚至可以分割包装膜和袋子等软塑料，这些材料尤其难以处理，因为它们经常会缠结在一起。YOLO11 模型还可以经过自定义训练，以分割不同类型的塑料。在接下来的章节中，我们将进一步了解如何对 YOLO11 模型进行自定义训练。

图 4。使用 Ultralytics YOLO11 识别塑料废弃物。

自动驾驶汽车中的 YOLO11 分割#

实例分割的另一个有趣应用场景是自动驾驶汽车。YOLO11 可以帮助自动驾驶汽车在像素级别准确识别对象，从而提升乘客和道路上其他人员的安全性。汽车搭载的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。图像中的每个对象（行人、交通信号灯、其他车辆等）都会被分割并赋予标签。这样的精度使自动驾驶汽车能够识别周围的每一个对象。

图 5。使用 YOLO11 和实例分割识别道路上的车辆和行人。

使用 YOLO11 模型尝试实例分割#

现在我们已经了解了实例分割并讨论了它的一些应用，下面来看看如何使用 Ultralytics YOLO11 模型进行尝试。

有两种方法可以实现这一点：你可以使用 Ultralytics Python 软件包，也可以使用 Ultralytics HUB。我们将分别介绍这两种方法，先从 Python 软件包开始。

使用 YOLO11 运行推理#

运行推理需要使用模型分析新的、此前未见过的数据。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 软件包。如果你在安装过程中遇到问题，可以参考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 YOLO11 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，你也可以训练自定义 YOLO11 模型。通过对 YOLO11 模型进行微调，你可以创建更符合具体项目需求的自定义版本。例如，零售商可以使用自定义模型准确分割客户的身体特征，从而推荐合身的服装。下面的代码片段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，并在类似 COCO 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针对具体应用执行推理。通过导出选项，你还可以将自定义模型导出为其他格式。

Ultralytics HUB 上的 YOLO11 实例分割#

现在我们已经了解了如何通过代码运行推理和训练 YOLO11 实例分割模型，下面来看看一种无需代码的替代方案：Ultralytics HUB。Ultralytics HUB 是一个直观易用的视觉 AI 平台，可简化 YOLO 模型（包括 YOLO11 实例分割模型）的训练和部署流程。

要对图像运行推理，你只需：创建账户，进入“Models”部分，然后选择你需要的 YOLO11 实例分割模型变体。你可以上传图像，并在预览部分查看预测结果，如下所示。

图 7。在 Ultralytics HUB 上运行推理。

要点总结#

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天然气放空燃烧，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。

借助 Ultralytics Python 软件包提供的自定义训练选项，以及通过 Ultralytics HUB 实现的无代码设置，用户可以将 YOLO11 无缝集成到工作流程中。无论是工业应用、医疗保健、零售还是环境监控，YOLO11 都能提供灵活性和准确性，满足多样化的分割需求。

如需了解更多信息，请访问我们的GitHub 代码仓库，并加入我们的社区交流。在我们的解决方案页面上，探索 AI 在自动驾驶汽车和农业中的应用。🚀