YOLO 实时图像分割
使用像素级精准的掩码，突破边界框的局限。Ultralytics YOLO26 支持实例分割和语义分割，并沿用所有 YOLO 任务相同的快速训练、验证和部署工作流。
YOLO26 分割模型
YOLO26-seg 模型可检测目标，并为每个目标预测像素级精准的掩码，提供从 nano 到超大型的五种尺寸。下方分别报告边界框和掩码的准确率；所有尺寸都可通过标准 Ultralytics 工作流进行训练、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（像素） | 边界框 mAP（端到端） | 掩码 mAP（端到端） | CPU ONNX（毫秒） | T4 TensorRT（毫秒） | 参数量（百万） | FLOPs（十亿） |
|---|---|---|---|---|---|---|---|
| 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 |
Ultralytics 文档中的 YOLO26 实例分割基准测试。
深受全球领先机构信赖
我们的模型影响力
借助我们尖端的视觉 AI 模型，优化各行业流程。Ultralytics 为你带来速度、准确性和易用性。
Ultralytics YOLO 模型的演进
了解 Ultralytics YOLO 如何从实用的 YOLOv5 工作流演进到适用于边缘设备的 YOLO26 推理。
借助智能标注，提速至多 10 倍
Ultralytics Platform 为你提供图像标注工具，帮助你更快地构建高质量数据集。从智能标注到精准的手动编辑，这些功能旨在缩短图像标注时间，同时不牺牲质量。
- SAM 驱动的智能标注：一键生成掩码和边界框。
- 全面覆盖 AI 任务：目标检测、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 等格式。
- 团队审核与版本管理：协作过程清晰可见，步步有序。
以更低成本使用顶级 GPU 训练
26 款 NVIDIA GPU，每小时仅需 $0.24 起——涵盖 Ampere 到 Blackwell。无加价、无最低消费、无承诺。
探索行业解决方案
了解各团队如何在生产环境中应用 Ultralytics 计算机视觉。
农业
汽车
医疗保健
物流
制造业
零售
机器人
农业
汽车
医疗保健
物流
制造业
零售
机器人
农业
汽车
医疗保健
物流
制造业
零售
机器人
常见问题
实例分割会检测每个目标，并用像素级精准的掩码勾勒其轮廓，而不只是给出边界框。当目标的形状、面积或边界很重要时，实例分割是合适的任务，例如测量物品、分离相互接触的目标，或为后续处理屏蔽区域。Ultralytics YOLO 分割可实时运行，并采用与检测相同的 API。
对于新项目，Ultralytics YOLO26 分割模型是推荐的起点，既有适用于边缘设备的 nano 尺寸，也有适用于准确率要求较高任务的大尺寸变体。YOLO11 分割模型仍可通过相同的工作流使用。
标注掩码，然后通过 Ultralytics 库的训练模式进行训练；或者使用 Ultralytics Platform 借助智能多边形工具进行标注、在云端 GPU 上训练并比较训练运行结果。从预训练分割权重开始微调，大多数自定义数据集都能快速收敛。
使用导出模式将训练好的模型导出为 ONNX、OpenVINO、TensorRT、CoreML、LiteRT 等格式。导出的模型会直接生成分割掩码，因此无论部署到边缘设备、云端还是移动设备，部署流程都很简单。
使用 Ultralytics 构建图像分割应用
使用 Ultralytics Platform 标注掩码、训练 YOLO26 分割模型，并将其部署到任意环境。