实例分割

概述

实例分割技术超越了简单的方法，它能为检测到的每个物体生成唯一的掩码，即使多个物体属于同一类别（如在交通照片中分别识别每辆汽车）。这种完美的像素轮廓使系统不仅能了解存在哪些物体，还能了解它们的确切形状、大小和位置，从而有效区分重叠的物体。这种能力对于需要精确空间感知和高准确度的任务来说至关重要。

实例分割与相关任务

必须将实例分割与相关的计算机视觉任务区分开来：

• 物体检测：这项任务可以识别物体，并在每个物体周围绘制一个矩形边框。它能告诉你物体的位置，但不能告诉你物体的确切形状。
• 语义分割：它将图像中的每个像素归入一个类别（如 "汽车"、"道路"、"天空"）。但是，它并不区分单个实例；如果不进行分离，所有汽车都会共享同一个 "汽车 "标签。您可以在实例分割与语义分割指南中了解更多信息。
• 全景分割：它结合了语义分割和实例分割，为每个像素同时分配一个类别标签和一个唯一的实例 ID。

实例分割具体侧重于识别和勾勒不同的对象。

实例分割的工作原理

传统方法，如著名的掩码 R-CNN 通常采用两阶段流程：首先用边界框检测物体，然后在边界框内生成掩码。这种方法虽然精确，但计算量很大。更现代的单阶段方法，包括 Ultralytics YOLO等变体，同时预测边界框和遮罩，从而实现更快的性能，适合实时推理。这些模型在COCO 等大型数据集上进行训练，其中包括分割注释（COCO 分割数据集）。

实例分割的应用

实例分割的详细输出结果在许多领域都非常宝贵：

1. 自动驾驶：对行人、车辆、骑车人和车道线进行精确分割，能让自动驾驶汽车更好地了解周围环境，安全地驾驭复杂的交通场景，并比仅用边界框更准确地预测行车动向。Waymo等机构的研究通常在很大程度上依赖于细分。
2. 医学图像分析：在放射学或病理学领域，实例分割可以准确勾勒出扫描图像（如 MRI 或 CT）中的肿瘤、器官甚至单个细胞。这有助于医生进行诊断、制定治疗计划（如放射治疗）和测量随时间发生的变化，从而推动人工智能在医疗保健领域的发展。请参阅使用YOLO11 进行肿瘤检测的指南。
3. 机器人技术：机器人在执行拾取和放置物品等任务时，需要了解物体的确切形状，以便正确抓取，尤其是在杂乱无章的环境中。实例分割技术可提供这种关键的形状信息（机器人技术中的人工智能）。
4. 卫星图像分析：从卫星或航空图像中识别并勾勒出单个建筑物、田地或水体，有助于城市规划、农业监测和环境评估（卫星图像分析技术）。

实例分割和Ultralytics YOLO

Ultralytics 提供能够进行高性能实例分割的先进模型。像 Ultralytics YOLOv8和较新的 Ultralytics YOLO11为分割任务提供预训练权重，并可在特定数据集上轻松进行自定义训练。您可以学习如何使用YOLO11 进行实例分割，或使用预先训练好的YOLOv8 模型探索分割方法。使用Ultralytics HUB 可以简化数据集、训练和部署管理。有关详细的性能比较，请参阅YOLO11 vsYOLOv8。分段任务文档提供了进一步的指导。