Phân đoạn ảnh YOLO thời gian thực
Vượt xa các bounding box với mask chính xác tới từng pixel. Ultralytics YOLO26 hỗ trợ phân đoạn thực thể và ngữ nghĩa với cùng quy trình train, validate và triển khai nhanh chóng như mọi tác vụ YOLO khác.
Các model phân đoạn YOLO26
Các model YOLO26-seg phát hiện đối tượng và dự đoán mask chính xác tới từng pixel cho mỗi đối tượng, với năm kích thước từ nano đến extra-large. Độ chính xác của bbox và mask được báo cáo riêng biệt bên dưới; tất cả các kích thước đều có thể train, validate và export thông qua quy trình làm việc chuẩn của Ultralytics.
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 segmentation model
model = YOLO("yolo26n-seg.pt")
# Run inference
results = model("image.jpg")| Model | Kích thước (px) | mAP bbox (e2e) | mAP mask (e2e) | CPU ONNX (ms) | T4 TensorRT (ms) | Params (M) | FLOPs (B) |
|---|---|---|---|---|---|---|---|
| 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 |
Benchmark phân đoạn thực thể YOLO26 từ tài liệu Ultralytics.
Được tin dùng bởi các tổ chức hàng đầu thế giới
Tác động từ các model của chúng tôi
Hợp lý hóa quy trình giữa các ngành công nghiệp với các model AI thị giác tiên tiến của chúng tôi. Tốc độ, độ chính xác và tính dễ sử dụng được hỗ trợ bởi Ultralytics.
Sự phát triển của các model Ultralytics YOLO
Xem cách Ultralytics YOLO phát triển từ workflow YOLOv5 thực tiễn sang inference YOLO26 sẵn sàng cho Edge.
Đã giúp việc phát hiện đối tượng thời gian thực trở nên dễ tiếp cận với một workflow PyTorch nhanh chóng và thực tế.
Mở rộng quy trình làm việc thống nhất trên các tác vụ phát hiện, phân đoạn, phân loại, pose và OBB.
Cải thiện độ chính xác, tốc độ và hiệu suất trong khi vẫn giữ nguyên quy trình làm việc quen thuộc của Ultralytics.
Đã giới thiệu tính năng inference end-to-end và một kiến trúc được tối ưu hóa cho việc triển khai edge hiệu quả.
Gán nhãn nhanh hơn tới 10 lần với tính năng gán nhãn thông minh
Nền tảng Ultralytics cung cấp công cụ gán nhãn hình ảnh giúp bạn xây dựng tập dữ liệu chất lượng cao nhanh hơn. Từ tính năng gán nhãn thông minh đến chỉnh sửa thủ công chính xác, các tính năng này được thiết kế để giảm thời gian gán nhãn hình ảnh mà không làm giảm chất lượng.
- Gán nhãn thông minh dựa trên SAM: Mask và bounding box chỉ với một cú nhấp chuột.
- Hỗ trợ đầy đủ các tác vụ AI: Phát hiện đối tượng, phân đoạn thực thể, phân đoạn ngữ nghĩa, phân loại, pose, OBB.
- Hỗ trợ định dạng phổ quát: Tùy chọn của bạn bao gồm YOLO, COCO, VOC và nhiều định dạng khác.
- Đánh giá nhóm và quản lý phiên bản: Cộng tác minh bạch trong từng bước thực hiện.
Huấn luyện trên các GPU tốt nhất với chi phí thấp hơn
26 GPU NVIDIA với giá từ $0.24/giờ — từ Ampere đến Blackwell. Không phụ phí, không yêu cầu tối thiểu, không cam kết.
Triển khai ở mọi nơi
Export sang 20 định dạng và triển khai trên edge, cloud và mobile.
Khám phá các giải pháp ngành
Xem cách các nhóm áp dụng thị giác máy tính của Ultralytics trong các môi trường sản xuất.
AI trong nông nghiệp
AI trong ô tô
AI trong y tế
AI trong logistics
AI trong sản xuất
AI trong bán lẻ
AI trong robot
AI trong nông nghiệp
AI trong ô tô
AI trong y tế
AI trong logistics
AI trong sản xuất
AI trong bán lẻ
AI trong robot
AI trong nông nghiệp
AI trong ô tô
AI trong y tế
AI trong logistics
AI trong sản xuất
AI trong bán lẻ
AI trong robot
Các câu hỏi thường gặp
Instance segmentation phát hiện từng đối tượng và bao quanh nó bằng một mask chính xác tới từng pixel thay vì chỉ sử dụng bounding box. Đây là tác vụ phù hợp khi hình dạng, diện tích hoặc ranh giới đối tượng quan trọng — ví dụ như đo lường các vật phẩm, tách các đối tượng nằm sát nhau hoặc tạo mask cho các vùng cần xử lý tiếp theo. Phân đoạn Ultralytics YOLO chạy trong thời gian thực với cùng API như phát hiện đối tượng.
Instance segmentation tạo ra một mask riêng cho mỗi đối tượng, vì vậy hai chiếc xe nằm sát nhau sẽ nhận được hai mask khác nhau. Semantic segmentation gán nhãn lớp cho mọi pixel trong khung hình mà không tách rời từng đối tượng riêng lẻ. Ultralytics YOLO26 hỗ trợ cả hai: sử dụng instance segmentation để đếm và theo dõi các đối tượng riêng biệt, và semantic segmentation để hiểu toàn cảnh như lập bản đồ đường xá hoặc thảm thực vật.
Ultralytics YOLO26 là các model phân đoạn được khuyến nghị làm điểm khởi đầu cho các dự án mới, từ kích thước nano cho các thiết bị cạnh (edge) đến các biến thể lớn hơn cho các công việc đòi hỏi độ chính xác cao. Các model phân đoạn YOLO11 vẫn được hỗ trợ thông qua cùng quy trình làm việc.
Chú thích mask và train bằng train mode của thư viện Ultralytics, hoặc sử dụng Ultralytics Platform để chú thích bằng các công cụ polygon thông minh, train trên GPU đám mây và so sánh các lần chạy. Việc fine-tuning từ các weights phân đoạn đã được pretrained giúp hội tụ nhanh chóng trên hầu hết các tập dữ liệu tùy chỉnh.
Export các model đã train bằng export mode sang ONNX, TensorRT, CoreML, OpenVINO, LiteRT và nhiều định dạng khác. Các mask phân đoạn được tạo ra một cách tự nhiên bởi model đã export, giúp pipeline triển khai luôn đơn giản trên các mục tiêu edge, đám mây và di động.
Xây dựng phân đoạn ảnh với Ultralytics
Chú thích mask, train các model phân đoạn YOLO26 và triển khai chúng ở bất cứ đâu với Ultralytics Platform.