Segmentation sémantique YOLO en temps réel
Comprends des scènes entières avec des étiquettes de classe denses par pixel. Les modèles de segmentation sémantique Ultralytics classifient chaque pixel — routes, végétation, bâtiments, produits — avec le même flux de travail rapide d'entraînement et de déploiement que chaque tâche YOLO.
Modèles de segmentation sémantique YOLO26
Les modèles YOLO26-sem étiquettent chaque pixel de la scène, indiqués ci-dessous sous forme d'IoU moyen à une résolution de 1024×2048. Cinq tailles couvrent le déploiement sur appareil périphérique jusqu'à la cartographie critique pour la précision, et des variantes supplémentaires de 640 pixels sont documentées pour les charges de travail plus légères.
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 semantic segmentation model
model = YOLO("yolo26n-sem.pt")
# Run inference
results = model("image.jpg")| Modèle | Taille (px) | mIoU | RTX 3090 PyTorch (ms) | Params (M) | FLOPs (B) |
|---|---|---|---|---|---|
| YOLO26n-sem | 1024 × 2048 | 78.3 | 4.4 ± 0.0 | 1.6 | 22.7 |
| YOLO26s-sem | 1024 × 2048 | 80.8 | 8.4 ± 0.0 | 6.5 | 88.8 |
| YOLO26m-sem | 1024 × 2048 | 82.0 | 19.9 ± 0.1 | 14.3 | 304.5 |
| YOLO26l-sem | 1024 × 2048 | 82.9 | 26.5 ± 0.1 | 17.9 | 384.7 |
| YOLO26x-sem | 1024 × 2048 | 83.6 | 48.9 ± 0.2 | 40.2 | 861.7 |
Benchmarks de segmentation sémantique YOLO26 à 1024×2048 issus de la documentation d'Ultralytics.
Recommandé par les plus grandes organisations au monde
L'impact de nos modèles
Optimise tes processus à travers les secteurs grâce à nos modèles d'IA de vision de pointe. Vitesse, précision et facilité d'utilisation propulsées par Ultralytics.
L'évolution des modèles Ultralytics YOLO
Découvre comment Ultralytics YOLO a évolué, du flux de travail pratique de YOLOv5 à l'inférence prête pour la périphérie de YOLO26.
Étiquette jusqu'à 10 fois plus vite grâce à l'annotation intelligente
Ultralytics Platform te fournit l'outil d'annotation d'images pour créer des jeux de données de haute qualité plus rapidement. De l'annotation intelligente à l'édition manuelle précise, ces fonctionnalités sont conçues pour réduire le temps d'étiquetage des images sans sacrifier la qualité.
- Annotation intelligente propulsée par SAM : Masques et boîtes englobantes en un clic.
- Couverture complète des tâches d'IA : Détection, segmentation d'instances, segmentation sémantique, classification, pose, OBB.
- Prise en charge de formats universels : Ton choix de YOLO, COCO, et plus encore.
- Révision d'équipe et gestion des versions : Collaboration claire à chaque étape.
Entraîne-toi sur les meilleurs GPU à moindre coût
26 GPU NVIDIA à partir de 0,24 $/h — d'Ampere à Blackwell. Aucune marge, aucun minimum, aucun engagement.
Explore les solutions sectorielles
Découvre comment les équipes appliquent la vision par ordinateur d'Ultralytics dans les environnements de production.
Agriculture
Automobile
Santé
Logistique
Fabrication
Commerce de détail
Robotique
Agriculture
Automobile
Santé
Logistique
Fabrication
Commerce de détail
Robotique
Agriculture
Automobile
Santé
Logistique
Fabrication
Commerce de détail
Robotique
Foire aux questions
La segmentation sémantique attribue une étiquette de classe à chaque pixel d'une image, produisant une carte dense de toute la scène plutôt que des boîtes ou des masques par objet. Elle répond à des questions telles que les pixels qui constituent la route, l'eau, les cultures ou un défaut, ce qui constitue la base de la compréhension de scènes dans la mobilité, l'agriculture, l'inspection et la cartographie.
La segmentation sémantique étiquette chaque pixel par classe sans séparer les objets individuels, et toutes les voitures partagent une seule étiquette. La segmentation d'instance produit un masque distinct par objet pour te permettre de les compter et de les suivre. Utilise la segmentation sémantique pour la compréhension au niveau de la scène et la segmentation d'instance pour l'analyse au niveau de l'objet, car Ultralytics prend en charge les deux avec un seul flux de travail.
Les modèles de segmentation sémantique Ultralytics sont les premiers de la famille YOLO à produire des étiquettes denses par pixel, annoncés sur la feuille de route Ultralytics et documentés dans la documentation sur la segmentation sémantique. Ils partagent le flux de travail familier d'Ultralytics pour l'entraînement, la validation et l'exportation.
Prépare des masques par pixel pour tes classes et exécute le mode entraînement de la bibliothèque Ultralytics, ou gère l'annotation, l'entraînement sur GPU dans le cloud et l'évaluation dans le navigateur avec la plateforme Ultralytics. L'ajustement de poids pré-entraînés est le moyen le plus rapide d'obtenir de bons résultats.
Exporte avec le mode exportation vers des formats tels que ONNX, TensorRT et OpenVINO pour une inférence en temps réel sur des appareils de périphérie, des véhicules et des serveurs. Les sorties denses par pixel proviennent directement du modèle exporté, ce qui simplifie les pipelines en aval.
Crée une segmentation sémantique avec Ultralytics
Entraîne des modèles de segmentation denses par pixel et déploie les modèles de segmentation n'importe où avec Ultralytics Platform.