Segmentation d’images YOLO en temps réel
Dépasse les boîtes englobantes grâce à des masques précis au pixel près. Ultralytics YOLO26 prend en charge la segmentation d’instances et la segmentation sémantique, avec le même workflow rapide d’entraînement, de validation et de déploiement que pour toutes les tâches YOLO.
Modèles de segmentation YOLO26
Les modèles YOLO26-seg détectent les objets et prédisent un masque précis au pixel près pour chacun d’eux. Ils sont proposés en cinq tailles, de nano à extra-large. La précision des boîtes et des masques est indiquée séparément ci-dessous ; toutes les tailles s’entraînent, se valident et s’exportent avec le workflow standard d’Ultralytics.
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 segmentation model
model = YOLO("yolo26n-seg.pt")
# Run inference
results = model("image.jpg")| Modèle | Taille (px) | mAP des boîtes (e2e) | mAP des masques (e2e) | CPU ONNX (ms) | T4 TensorRT (ms) | Paramètres (M) | FLOPs (G) |
|---|---|---|---|---|---|---|---|
| YOLO26n-seg | 640 | 39.6 | 33.9 | 53.3 ± 0.5 | 2.1 ± 0.0 | 2.7 | 9.1 |
| YOLO26s-seg | 640 | 47.3 | 40.0 | 118.4 ± 0.9 | 3.3 ± 0.0 | 10.4 | 34.2 |
| YOLO26m-seg | 640 | 52.5 | 44.1 | 328.2 ± 2.4 | 6.7 ± 0.1 | 23.6 | 121.5 |
| YOLO26l-seg | 640 | 54.4 | 45.5 | 387.0 ± 3.7 | 8.0 ± 0.1 | 28.0 | 139.8 |
| YOLO26x-seg | 640 | 56.5 | 47.0 | 787.0 ± 6.8 | 16.4 ± 0.1 | 62.8 | 313.5 |
Benchmarks de segmentation d’instances YOLO26 issus de la documentation Ultralytics.
Adopté par les plus grandes organisations du monde
L’impact de nos modèles
Rationalise les processus dans tous les secteurs grâce à nos modèles de vision par IA de pointe. Ultralytics met la vitesse, la précision et la facilité d’utilisation à ta portée.
L’évolution des modèles Ultralytics YOLO
Découvre l’évolution d’Ultralytics YOLO, du flux de travail pratique de YOLOv5 à l’inférence YOLO26 prête pour l’edge.
Étiquette jusqu’à 10 fois plus vite grâce à l’annotation intelligente
Ultralytics Platform te fournit un outil d’annotation d’images pour créer plus rapidement des jeux de données de haute qualité. De l’annotation intelligente à la retouche manuelle précise, ces fonctionnalités sont conçues pour réduire le temps d’annotation des images sans sacrifier la qualité.
- Annotation intelligente optimisée par SAM :Masques et boîtes englobantes en un clic.
- Prise en charge complète des tâches d’IA :Détection, segmentation d’instances, segmentation sémantique, classification, estimation de pose, OBB.
- Prise en charge universelle des formats :Choisis YOLO, COCO ou un autre format.
- Révision et gestion des versions en équipe :Une collaboration fluide à chaque étape.
Entraîne tes modèles sur les meilleurs GPU à moindre coût
26 GPU NVIDIA à partir de 0,24 $/h — de l’architecture Ampere à Blackwell. Aucun supplément, aucun minimum, aucun engagement.
Déploie partout
Exporte vers 22 formats et déploie sur des appareils en périphérie, dans le cloud et sur mobile.
Découvrir les solutions sectorielles
Découvre comment les équipes utilisent la vision par ordinateur d’Ultralytics dans des environnements de production.
Agriculture
Automobile
Santé
Logistique
Industrie manufacturière
Commerce de détail
Robotique
Agriculture
Automobile
Santé
Logistique
Industrie manufacturière
Commerce de détail
Robotique
Agriculture
Automobile
Santé
Logistique
Industrie manufacturière
Commerce de détail
Robotique
Foire aux questions
La segmentation d’instances détecte chaque objet et en délimite le contour avec un masque précis au pixel près, au lieu de se limiter à une boîte englobante. C’est la tâche à privilégier lorsque la forme, la surface ou les contours des objets comptent — par exemple pour mesurer des éléments, séparer des objets qui se touchent ou masquer des régions avant un traitement ultérieur. La segmentation Ultralytics YOLO s’exécute en temps réel avec la même API que la détection.
La segmentation d’instances produit un masque distinct pour chaque objet : deux voitures adjacentes obtiennent donc deux masques. La segmentation sémantique attribue une étiquette de classe à chaque pixel de la scène sans distinguer les objets individuels. Ultralytics YOLO26 prend en charge les deux : utilise la segmentation d’instances pour compter et suivre des objets distincts, et la segmentation sémantique pour comprendre la scène dans son ensemble, par exemple pour cartographier les routes ou la végétation.
Les modèles de segmentation Ultralytics YOLO26 sont le point de départ recommandé pour les nouveaux projets, avec la taille nano pour les appareils edge et des variantes plus grandes pour les applications où la précision est essentielle. Les modèles de segmentation YOLO11 restent pris en charge avec le même workflow.
Annote des masques et entraîne ton modèle avec le mode train de la bibliothèque Ultralytics, ou utilise Ultralytics Platform pour annoter avec des outils de polygones intelligents, entraîner sur des GPU cloud et comparer les exécutions. Le fine-tuning à partir de poids préentraînés pour la segmentation converge rapidement sur la plupart des jeux de données personnalisés.
Exporte les modèles entraînés avec le mode export vers ONNX, OpenVINO, TensorRT, CoreML, LiteRT et d’autres formats. Les masques de segmentation sont générés nativement par le modèle exporté, ce qui simplifie le pipeline de déploiement sur les appareils edge, dans le cloud et sur mobile.
Développe la segmentation d’images avec Ultralytics
Annote des masques, entraîne des modèles de segmentation YOLO26 et déploie-les partout avec Ultralytics Platform.