使用预训练的 Ultralytics YOLOv8 模型在 Python 中进行实例分割

本文将介绍如何使用 Ultralytics YOLOv8模型进行目标分割，并逐步讲解如何在 Python 中设置和运行分割。

为分割做好准备#

我们先从 Ultralytics YOLOv8 开始。只需一条命令即可安装 Ultralytics 软件包，随后便可使用模型的分割功能。

实例分割比目标检测更进一步：它能定位图像中的各个物体，并将它们与背景分离。

其输出包括勾勒每个物体轮廓的掩码或轮廓线，以及类别标签和置信度分数。当精确的物体形状至关重要时，这项技术十分有用；它不仅能提供物体位置，还能详细呈现物体的形态信息。

只需几条简单命令，你就可以通过命令行运行预测。

实时分割：让图像鲜活起来#

分割并不局限于静态图像。通过简短的 Python 脚本，你也可以在实时视频流上运行分割。

将 YOLO 类与 OpenCV 结合使用，你可以对网络摄像头画面进行分割，并在处理过程中显示结果。

视频中的模型对椅子、植物等日常物体进行了分割。

图 1. Nicolai Nielsen 介绍 COCO 分割预训练模型。

在 Ultralytics，我们还提供 COCO分割预训练模型，这些模型可作为许多用例的良好起点。之后，你可以根据具体需求对这些模型进行微调。

总的来说，我们支持多种数据集，例如汽车零部件实例分割、裂缝分割和工业包装分割。只需使用文档中提供的一条命令，即可轻松在这些数据集上训练分割模型：

yolo segment train data=carparts-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

敬请期待#

在接下来的视频中，我们将深入介绍 Ultralytics YOLOv8，涵盖如何在你自己的数据集上进行自定义训练和推理。

我们致力于让 AI 和机器学习更易于使用，一次解决一个分割任务。

在 YouTube 上观看完整视频。