图像分割

图像分割是计算机视觉 (CV) 计算机视觉 (CV)中的一项核心技术。 将数字图像分割成多个像素子组，通常称为图像分割。其主要目的是 主要目的是将图像的表示简化为更有意义、更易于分析的图像。与之不同的是 物体检测将物体定位在一个 不同的是，图像分割提供的是 精确的、像素级的物体形状图。这一过程可为图像中的每个像素分配一个标签，从而使 人工智能（AI）模型 了解场景中实体的确切边界和轮廓。

像素级精度的重要性

在许多现代机器学习（ML）工作流程中，知道一个物体的大致位置是不够的、 知道物体的大致位置是不够的。需要与物理世界交互的应用 如机器人抓取包裹或汽车在蜿蜒曲折的道路上行驶，这些应用需要对几何形状有细致的了解。 几何形状。图像分割将原始视觉数据转换为一组分类区域，从而弥补了这一差距。这种 这种能力由先进的 深度学习（DL）架构，特别是 卷积神经网络（CNN），它可以提取空间特征来区分前景物体和背景。

图像分割的类型

了解具体的细分任务对于选择正确的模型架构至关重要。三个主要 是

• 语义分割： 这种方法将同一类别的多个对象视为单一实体。例如，在街道场景中 属于 "道路 "的所有像素都被染成灰色，而属于 "汽车 "的所有像素都被染成蓝色。 这种方法不会区分两辆不同的汽车，而只是识别出它们都是车辆。这种方法 通常使用U-Net 等架构来实现、 这种架构最初是为生物医学图像分割而开发的。
• 实例分割： 这种技术更进一步，可以识别出不同的单个对象。如果图像中有五辆车、 实例分割将生成五个独立的掩码，使系统能够独立地对每辆车进行计数和track 。 独立。这是 Ultralytics YOLO11分段模型执行的主要任务。 速度和准确性的实时应用。
• 全景分割：A 一种结合语义分割和实例分割的混合方法。它通过以下方式提供全面的场景理解 为每个像素（如天空和道路等背景事物）分配一个类标签，同时唯一识别可数 物体（如人和车）。

实际应用

精确划界的能力使细分在各行各业都不可或缺：

• 医学图像分析： 在医疗保健领域，分割对于分析扫描图像至关重要，例如 核磁共振成像或 CT 图像。通过精确勾勒肿瘤、器官或病变的轮廓，人工智能模型可协助放射科医生进行诊断和手术规划。 规划。例如，确定脑肿瘤的确切体积可以使放射治疗更有针对性、 最大限度地减少对健康组织的损害。
• 自动驾驶汽车： 自动驾驶汽车在很大程度上依赖于细分技术来实现安全导航。模型处理视频馈送，以识别可驾驶的车道、人行道、行人和障碍物。 车道、人行道、行人和障碍物。国际汽车工程师学会（SAE 国际汽车工程师学会（SAE International）等组织定义的自动驾驶级别需要这种详细的 环境感知来做出瞬间决策。
• 精准农业：在 人工智能在农业中的应用 监测作物健康。配备了多光谱相机的无人机可以对田地进行segment ，逐叶识别杂草丛生或养分缺乏的情况，从而有针对性地施用除草剂。 或养分缺乏，从而有针对性地施用除草剂。

利用YOLO技术实施

现代框架简化了分割任务的执行。旧式的两阶段检测器，如 掩膜 R-CNN 等旧式两阶段检测器虽然准确，但速度较慢，而单阶段模型则为这一领域带来了革命性的变化。 通过提供 实时推理。我们的 Ultralytics YOLO11 模型原生支持实例细分。展望未来、 正在开发YOLO26，以进一步优化这些 端到端处理功能。

开发人员可以使用标准库，如 OpenCV等标准库进行预处理 和可视化，同时使用 PyTorch框架进行繁重的 模型推理。

下面是一个简明示例，说明如何使用Python 中预先训练好YOLO11 模型执行实例分割：

from ultralytics import YOLO

# Load a pre-trained YOLO11 segmentation model
model = YOLO("yolo11n-seg.pt")

# Run inference on an image (can be a local path or URL)
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting image with segmentation masks overlaid
results[0].show()

该代码片段可自动处理特征提取、边界框回归和掩码生成等复杂任务。 生成等复杂任务，使开发人员可以专注于将 将分割结果集成到 大型应用程序中。