YOLO26 分割模型
YOLO26-seg 模型可以检测物体并为每个物体预测像素级精确的掩码，包含从 nano 到 extra-large 五种尺寸。下方分别列出了边界框和掩码的准确度；所有尺寸的模型均可通过标准的 Ultralytics 工作流程进行训练、验证和导出。
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 segmentation model
model = YOLO("yolo26n-seg.pt")
# Run inference
results = model("image.jpg")| 模型 | 尺寸 (px) | mAP 边界框 (e2e) | mAP 掩码 (e2e) | CPU ONNX (ms) | T4 TensorRT (ms) | 参数量 (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 |
来自 Ultralytics 文档的 YOLO26 实例分割基准测试。
深受全球领先组织信赖
我们模型的影响力
利用我们尖端的视觉 AI 模型简化跨行业的流程。由 Ultralytics 提供支持，兼具速度、准确性和易用性。
Ultralytics YOLO 模型的发展历程
了解 Ultralytics YOLO 如何从实用的 YOLOv5 工作流演进为边缘就绪的 YOLO26 推理。
通过快速、实用的 PyTorch 工作流程，让实时目标检测变得触手可及。
扩展了跨检测、分割、分类、姿态和 OBB 的统一工作流程。
在保持熟悉的 Ultralytics 工作流程的同时，提高了准确性、速度和效率。
引入了端到端推理和针对高效边缘部署优化的架构。
利用智能标注，标注速度提升至多 10 倍
Ultralytics Platform 为你提供图像标注工具，助你更快地构建高质量数据集。从智能标注到精确的手动编辑，这些功能旨在缩短图像标注时间，同时保证高质量。
- 基于 SAM 的智能标注：一键生成掩码和边界框（BBox）。
- 全面的 AI 任务覆盖：检测、实例分割、语义分割、分类、姿态估计、OBB。
- 通用格式支持：你可以选择 YOLO、COCO、VOC 等格式。
- 团队评审与版本控制：每一步都能实现清晰的协作。
以更低成本在最好的 GPU 上进行训练
26 款 NVIDIA GPU，价格低至 $0.24/小时 — 从 Ampere 到 Blackwell。无加价、无最低消费、无承诺。
随处部署
导出为 20 种格式，并在边缘端、云端和移动端进行部署。
探索行业解决方案
了解团队如何在生产环境中应用 Ultralytics 计算机视觉。
农业 AI
汽车 AI
医疗保健 AI
物流 AI
制造业 AI
零售 AI
机器人 AI
农业 AI
汽车 AI
医疗保健 AI
物流 AI
制造业 AI
零售 AI
机器人 AI
农业 AI
汽车 AI
医疗保健 AI
物流 AI
制造业 AI
零售 AI
机器人 AI
常见问题
实例分割不仅能检测每个物体，还能用像素级精确的掩码将其勾勒出来，而不仅仅是提供一个边界框。当物体的形状、面积或边界至关重要时（例如测量物品、分离接触的物体或为后续处理屏蔽特定区域），这是最合适的任务。Ultralytics YOLO 分割与检测使用相同的 API，可实时运行。
Ultralytics YOLO26 分割模型是新项目的推荐起点，涵盖从边缘设备的 nano 尺寸到对精度要求极高的工作所需的更大变体。YOLO11 分割模型继续通过相同的工作流程得到支持。
标注掩码并使用 Ultralytics 库的训练模式进行训练，或者使用 Ultralytics Platform 通过智能多边形工具进行标注，在云端 GPU 上进行训练并对比运行结果。在大多数自定义数据集上，使用预训练分割权重进行微调可以快速收敛。
使用导出模式将训练好的模型导出为 ONNX、TensorRT、CoreML、OpenVINO、LiteRT 等格式。导出后的模型原生支持产生分割掩码，因此无论是在边缘设备、云端还是移动端目标上，部署流程都保持简单。
使用 Ultralytics 构建图像分割
使用 Ultralytics Platform 标注掩码、训练 YOLO26 分割模型，并将其部署到任何地方。