Instance Segmentation

了解实例分割如何实现像素级对象检测。探索如何使用 Ultralytics YOLO26 进行高速、实时的掩码生成等任务。

实例分割是计算机视觉 (CV)中的一项先进技术，能够在像素级别识别并勾勒出图像中每个不同的目标物体。标准的目标检测使用矩形边界框来定位项目，而实例分割则通过为每个检测到的实体生成精确的掩码，将分析推向更深层次。这项能力使得人工智能 (AI)模型能够区分同一类别的单个物体——例如将两个重叠的人分离开来——与更简单的分类方法相比，它对视觉场景提供了更丰富、更详细的理解。

区分分割类型#

为了充分掌握实例分割的用途，将其与其他相关图像处理任务区分开来是很有帮助的。根据应用需求，每种方法提供的粒度级别各不相同。

**语义分割：**这种方法将图像中的每个像素分类到一个类别中（例如，“道路”、“天空”、“汽车”）。但是，它不会区分同一类别的不同物体。如果有三辆车停在一起，语义分割会将它们视为一个单一的“汽车”区域。
**实例分割：**这种方法将每个物体视为一个独特的实体。它检测各个实例，并为每个实例的像素分配一个唯一的标签。在停放汽车的例子中，实例分割会创建三个不同的掩码，分别识别“汽车 A”、“汽车 B”和“汽车 C”。
**全景分割：**一种混合方法，它将语义分割的背景标签与实例分割的可数物体识别结合起来。

像素级分析的机制#

现代实例分割模型通常依赖先进的深度学习 (DL)架构，特别是卷积神经网络 (CNN)。这些网络从图像中提取特征，以预测物体的类别及其空间轮廓。历史上，像Mask R-CNN这样的两阶段架构是标准，它首先提出感兴趣区域，然后将其精炼为掩码。

然而，最近的进展催生了像YOLO26这样的一阶段检测器，它们可以同时执行检测和分割。这种“端到端”的方法显著提高了实时推理速度，使得在消费级硬件上将高精度分割应用于实时视频流成为可能。

实际应用#

实例分割提供的精确边界对于那些需要了解对象确切形状和位置以进行决策的行业来说至关重要。

**医疗领域的 AI：**在医学诊断中，确定肿瘤或病变的精确大小和形状至关重要。实例分割允许模型高精度地勾勒出MRI 扫描中的异常情况，协助放射科医生进行治疗规划和监测疾病进展。
**自动驾驶汽车：**自动驾驶汽车依靠分割来在复杂环境中导航。利用像Cityscapes这样的数据集，车辆可以识别可行驶表面、识别车道标记，并在拥挤的人行横道中分离出单个行人，以确保安全。
**农业领域的 AI：**精准农业使用分割来监测作物健康。配备视觉系统的机器人可以识别单个水果用于自动收获，或者检测特定的杂草用于定向施用除草剂，从而减少化学品的使用并优化产量。

使用 Python 实现分割#

开发者可以使用 ultralytics 库轻松实现实例分割。以下示例演示了如何加载预训练的YOLO26模型并为图像生成分割掩码。

from ultralytics import YOLO

# Load a pre-trained YOLO26 instance segmentation model
# The 'n' suffix denotes the nano version, optimized for speed
model = YOLO("yolo26n-seg.pt")

# Run inference on an image
# This predicts classes, bounding boxes, and masks
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
# Displays the image with overlaid segmentation masks
results[0].show()