在 Python 中使用预训练的 Ultralytics YOLOv8 模型进行分割

让我们一起探索使用 Ultralytics YOLOv8 模型进行目标分割的世界。在这篇博文中，我们将指导你轻松设置并运行 Python 中的分割任务。

Link to this section为分割做好准备#

让我们从关注 YOLOv8 开始。只需片刻即可安装这一强大的模型，完成后你就可以准备好使用其分割功能了。

实例分割通过定位图像中的单个对象并将其与背景分离，使目标检测更进一步。

其输出包含勾勒每个对象轮廓的掩码或轮廓，并附带类别标签和置信度分数。当精确的对象形状至关重要时，该技术极具价值，它不仅提供了对象的位置，还提供了有关其形状的详细信息。

只需几个简单的命令，你就能从命令行执行预测，亲眼见证 YOLOv8 带来的创新与简洁。

Link to this section实时分割：让图像焕发生机#

但当我们能体验实时分割时，为什么要局限于静态图像呢？我们的 Python 脚本是你进入实时分割动态世界的门户。

通过利用 YOLO 类并将其与 OpenCV 无缝集成，你可以为项目注入活力，并在过程中发现隐藏的见解和模式。

从识别椅子到描绘植物，可能性就像你的想象力一样无穷无尽。

图 1. Nicolai Nielsen 概述 COCO 分割预训练模型。

在 Ultralytics，我们也提供对 COCO 分割预训练模型的支持，这些模型可作为任何用例的绝佳起点。随后，你可以根据具体需求对这些模型进行微调。

总体而言，我们支持各种数据集，例如 carparts 实例分割、裂纹分割 以及 工业包装分割。在这些数据集上训练分割模型非常简单，只需在我们的文档中使用一个命令即可：

Link to this section敬请期待#

加入我们接下来的视频，我们将深入探索 YOLOv8 的领域，研究在你自己数据集上的自定义训练和推理。

我们致力于简化 AI 和机器学习的复杂性，一次完成一个分割任务。我们的使命是赋能个人和组织，充分利用 YOLOv8 等尖端技术的潜力。在我们的指导和你的好奇心驱使下，未来将会有不可思议的突破等待着我们。

加入我们，共同发掘 Ultralytics YOLOv8 的全部潜力。点击这里观看完整视频 Watch the full video！