全景细分

全景与其他分段类型

要全面掌握全景细分技术，最好将其与各组成部分进行比较：

• 语义分割：这种技术将图像中的每个像素都归入一个特定的类别。例如，它会将属于汽车的所有像素标记为 "汽车"，将道路的所有像素标记为 "道路"。但是，它不会区分同一对象类别的不同实例。相邻的两辆汽车都属于同一个 "汽车 "像素图。
• 实例分割： 这种方法可以检测和分割单个物体，这些物体通常被称为 "事物"（如汽车、行人、动物）。它为每个检测到的物体实例分配一个唯一的掩码，例如 car_1, car_2和 pedestrian_1.然而，实例分割通常会忽略无定形的背景区域或 "东西"（如天空、道路、草地、墙壁），这些区域缺乏明显的形状或数量。
• 全景细分： 这结合了语义分割和实例分割的优势。它能分割图像中的每个像素，为 "事物 "和 "东西 "提供类别标签。最重要的是，它还能为每个 "事物 "分配一个唯一的实例 ID，从而提供完整统一的场景解释。例如，一个全景模型不仅能标注天空和道路，还能识别和划定 car_1, car_2和 pedestrian_1 作为单独的实体。这种综合方法对于先进的 人工智能应用.

泛光分色的应用

全景分割所提供的详细场景理解在各个领域都非常宝贵：

• 自动驾驶汽车：自动驾驶汽车需要全面了解周围环境才能安全行驶。全景细分技术使它们能够识别道路和人行道等无定形表面（"物"），同时还能区分单个汽车、行人和骑自行车的人（"事"），即使它们重叠在一起。正如Waymo 等公司的系统所展示的那样，这种细致的感知对于安全路径规划和决策至关重要。了解 Ultralytics 如何为汽车解决方案中的人工智能做出贡献。
• 医学图像分析：在分析核磁共振成像或CT 扫描等医学扫描图像时，全景分割技术可以区分各种组织类型（"物"），同时还能识别肿瘤或单个细胞等结构的具体实例（"事"）。这有助于进行更准确的诊断，帮助制定手术计划，并有助于监测疾病的进展。您可以阅读相关任务，如使用 YOLO11 进行肿瘤检测。
• 机器人学机器人要想与周围环境有效互动，就必须同时了解总体布局（墙壁、地板）和可操作的特定物体（工具、零件）。全景分割技术可提供这种统一的视图，从而改善在仓库和工厂等复杂环境中的导航和人机互动。进一步了解人工智能在机器人技术中的作用。
• 增强现实（AR）：增强现实应用使用全景分割技术将虚拟物体与现实世界无缝融合。通过了解背景表面和前景物体的位置，AR 系统可以逼真地放置虚拟内容，正确处理遮挡。这使得AR 技术取得了重大进展。
• 卫星图像分析：这项技术用于绘制详细的土地覆盖图，区分森林或水体等大面积类型（"物"）和建筑物或车辆等单个结构（"物"）。美国地质调查局等政府机构将这些数据用于环境监测和城市规划。

模式与实施

全景分割模型通常使用PyTorch等深度学习框架构建，并在COCO-Panoptic和Cityscapes 等大型数据集上进行训练。虽然像YOLO11这样的 Ultralytics 模型在物体检测和实例分割等核心任务中提供了最先进的性能，这些都是必不可少的基础模块，但全景分割代表了综合场景理解的下一个层次。随着谷歌人工智能和Meta AI等机构的研究不断深入，这些综合模型的能力也在不断提高，为更复杂、更具感知能力的人工智能系统铺平了道路。您可以使用Ultralytics HUB 等平台管理和训练相关任务的模型。