什么是实例分割？快速指南

计算机视觉应用正日益融入我们的日常生活，从监控道路状况的交通摄像头到商店里的自助结账系统，随处可见。视觉 AI 让机器能够以类似人类的方式理解视觉数据，正在为各行各业带来影响。

其中许多应用依赖目标检测，这是一项计算机视觉任务，通过在图像中的关键目标周围绘制边界框来定位目标。虽然这种方法通常效果不错，但有些图像分析方案需要更高的精度。

例如，医学影像分析不仅要检测肿瘤，还必须精确勾勒出肿瘤的形状。同样，在机器人领域，机器需要识别物体的精确轮廓，才能正确抓取物体。实例分割可以为这些挑战提供更精确的解决方案。

实例分割是一项计算机视觉任务，旨在满足仅检测目标还不够的应用需求——它能够达到像素级精度。你可以使用 Ultralytics YOLO11 等计算机视觉模型，轻松对图像和视频进行实例分割。

图 1. 使用 YOLO11 进行实例分割的示例。

本指南将详细介绍实例分割的工作原理及其应用，并说明如何针对特定分割任务对 Ultralytics YOLO11 进行自定义训练。

什么是实例分割？#

假设有一张多人合影，照片中的人彼此站得很近。目标检测可以帮助你为每个人绘制边界框，但这无法告诉你每个人的确切形状。

而实例分割就像仔细描出每个人的轮廓，即使他们彼此重叠，你仍能看清完整轮廓。它不只是用方框标记物体的位置，而是在像素级别识别每个物体的确切形状，让你更轻松地理解复杂图像。

最终生成的详细掩码会填充物体的形状，精确标出哪些像素属于该物体。在许多真实应用中，了解物体的确切形状和边界十分重要，因此这种精度非常实用。

图 2. 展示 Ultralytics YOLO11 对实例分割的支持。

实例分割与语义分割#

在了解实例分割时，你可能会遇到语义分割这一概念。

这两种技术都能帮助计算机在像素级别理解图像，但用途各不相同。语义分割会根据类别为每个像素标注标签，并将所有同类物体归为一组。例如，在一张包含多辆汽车的图像中，语义分割会将它们全部标记为“汽车”，而不会区分每辆车。

而实例分割则更进一步，会单独识别每个物体。它为每个实例分配唯一标签，并围绕物体形状生成精确掩码。因此，在同一张图像中，实例分割不会只把所有物体都标记为“汽车”，而是会分别识别并勾勒出每一辆汽车。

两者的主要区别在于，语义分割按类别对物体分组，而实例分割则将每个物体区分为边界清晰的独立实体。你应该选择哪种任务，取决于具体应用——只需知道图像中有什么，还是必须区分每个物体。

如果你需要帮助确定项目适合哪种任务，请参阅语义分割与实例分割：如何选择。

图 3. 实例分割与语义分割的比较（分别为右图和左图）。

热门实例分割模型#

如今，视觉 AI 社区可以使用多种实例分割模型。有些模型速度更快，有些精度更高，还有些则更易于使用。

这些选择虽然实用，却也让人不禁思考：针对具体任务，究竟该选哪种模型？在众多选择中，Ultralytics YOLO 模型相当受欢迎，因为它们兼顾速度和精度。

此外，这些模型多年来不断发展。例如，Ultralytics YOLOv5 借助 PyTorch 等框架简化了部署，让更多人无需深厚的技术背景也能使用先进的视觉 AI。

在此基础上，Ultralytics YOLOv8 增强了对实例分割、姿态估计和图像分类等计算机视觉任务的支持。

如今，Ultralytics YOLO11 将性能提升到了新的水平。在 COCO 数据集上，它的平均精度均值 (mAP) 更高，参数量却比 YOLOv8m 少 22%，这意味着它能以更少的资源更精准地识别物体。

图 4. YOLO11 基准测试。

简而言之，Ultralytics YOLO11 在保持高效的同时实现了业界领先的精度，为这一领域带来了重大突破。

了解实例分割的工作原理#

接下来，我们来看看实例分割通常如何运作。较早的计算机视觉模型采用两步处理方法。

首先，它们通过在物体周围绘制边界框来检测物体。然后，它们生成像素级掩码，勾勒出每个物体的确切形状。Mask R-CNN 就是一个知名示例，它在目标检测模型的基础上增加了掩码预测步骤。虽然这种方法有效，但由于需要分多个阶段处理图像，速度可能较慢，因此实时应用更难实现。

与此同时，Ultralytics YOLO11 等模型一次性处理图像，同时预测物体边界框和实例分割掩码。这种精简的方法显著提升了速度，同时仍能保持较高精度。因此，在自动驾驶、视频分析和机器人等对速度和精度都有严格要求的实时应用中，这种方法尤其有用。

针对实例分割对 Ultralytics YOLO11 进行自定义训练#

YOLO11 开箱即用时是一个预训练模型。它使用 COCO-Seg 数据集进行训练，该数据集涵盖了用于实例分割的日常物体。不过，Ultralytics Python 包支持自定义训练，这对于需要分割独特物体的专业应用至关重要。

为什么自定义训练或微调模型很重要？自定义训练通过利用预训练模型已有的知识进行迁移学习。它无需从头开始，而是使用较小的数据集和更少的计算资源，让现有模型适应新任务，同时保持较高精度。

如何对 Ultralytics YOLO11 进行自定义训练#

下面将详细介绍针对实例分割微调 Ultralytics YOLO11 所涉及的步骤：

• 数据准备： 根据你的具体应用收集并标注图像。Ultralytics 支持多种图像数据集，你也可以准备符合所需 YOLO 格式的图像和标注，使用自己的数据集进行训练。
• 使用预训练模型： 不要从头开始，而是使用预训练的 Ultralytics YOLO11 模型。
• 模型训练： 调整批量大小（每次迭代处理的图像数量）、图像大小（目标输入分辨率）和轮数（训练总周期数）等关键训练设置，然后训练模型。
• 性能评估： 模型训练完成后，你可以使用 mAP 等性能指标测试模型精度。Ultralytics Python 包还提供了内置的模型评估函数。

Ultralytics YOLO11 支持的实例分割应用#

实例分割能帮助机器更准确地观察和理解物体，从而解决现实挑战。从改进自动化到保护环境，它在许多领域都发挥着重要作用。下面来看看它正在产生影响的一些应用示例。

使用 Ultralytics YOLO11 保障并监控施工现场安全#

实例分割对于确保施工现场的安全和效率至关重要。例如，它可以用于监控重型机械。

你可以微调 Ultralytics YOLO11，准确分割和识别起重机、挖掘机和推土机等不同类型的设备，并实时跟踪设备位置。这样，现场管理人员就能确保机械严格在指定区域内作业，不会进入有工人或存在危险的区域。

此外，将此类方案与实时警报系统集成后，可以迅速采取纠正措施。不仅如此，收集到的信息还可以帮助优化现场布局和工作流程，进一步降低风险并提高生产效率。

图 5. 使用 Ultralytics YOLO11 监控重型机械。

利用分割和 Ultralytics YOLO11 监测动物#

动物行为监测能帮助研究人员、农民和自然保护工作者更好地照料不同环境中的动物。在农场、动物园和自然栖息地中，实例分割系统可以识别并分割每只动物，从而发挥重要作用。与使用边界框的传统目标检测不同，实例分割能在像素级别勾勒出每只动物的轮廓；当动物彼此靠近时，这尤其有用。

精细分割有助于更准确地跟踪动物的运动和行为。即使动物彼此重叠或聚集在一起，也能将它们清楚地区分开来，从而更精确地分析动物互动、健康状况和活动模式。总体而言，深入了解动物行为有助于改进动物护理和管理实践。

图 6. 使用实例分割监测牛群。

Ultralytics YOLO11 在体育分析和运动员跟踪中的应用#

精确跟踪运动员和赛事是体育分析的重要组成部分。传统跟踪方法依赖人工标注，可能无法捕捉到细致的互动信息。你可以使用计算机视觉在像素级别分割每位运动员、球和关键赛事，从而获得详细的信息。

例如，实例分割可以通过清楚地区分每位运动员和物体，帮助检测犯规或无球事件等情况。Ultralytics YOLO11 等模型支持的这种精细监测，能为分析人员提供更清晰的信息，以高精度研究运动模式、空间位置和互动情况。这些信息的一大好处是能帮助团队改进策略并提升整体表现。

实例分割的优缺点#

以下是实例分割为各行各业带来的一些主要优势：

• 提升自动化水平： 实例分割可以自动执行质量控制和安全监测等任务，减少人工干预需求并最大限度降低人为错误。
• 更好地理解场景：通过准确勾勒每个物体，实例分割有助于深入理解复杂场景，为更明智的决策提供支持。
• 简化后处理：像素级输出简化了背景移除、物体计数和空间分析等任务，减少了额外处理步骤的需求。

这些优势表明实例分割能为不同应用带来价值，但同样重要的是考虑其实施过程中涉及的挑战。

以下是实例分割的一些主要局限：

• 透明物体处理难题： 对玻璃和水等透明或反光物体进行分割并不容易，容易导致边界不准确。
• 维护成本： 随着环境条件和数据集发生变化，为了保持模型的准确性和适用性，需要持续更新和微调模型。
• 标注工作量大： 训练实例分割模型需要详细的像素级标注，这会大幅增加数据准备所需的时间和成本。

要点#

实例分割能够精确区分单个物体，即使这些物体彼此重叠也不例外。与目标检测等传统计算机视觉任务相比，它通过捕捉像素级物体边界，能让你更深入地理解视觉数据。

计算机视觉的最新进展让实例分割变得更快、更易用。尤其是 Ultralytics YOLO11 等计算机视觉模型简化了整个流程，只需极少的配置即可实现实时分割，让各行各业和各种应用都更容易使用这项技术。

对 AI 感兴趣吗？访问我们的 GitHub 代码库，加入我们的社区继续探索。在我们的解决方案页面了解自动驾驶汽车中的 AI和农业中的视觉 AI等创新。查看我们的许可选项，开始你的计算机视觉项目！