Segmentation sémantique YOLO en temps réel
Comprends des scènes entières grâce à des étiquettes de classe denses, attribuées pixel par pixel. Les modèles de segmentation sémantique Ultralytics classent chaque pixel — routes, végétation, bâtiments, produits — avec le même flux de travail rapide pour l’entraînement et le déploiement que pour toutes les tâches YOLO.
Modèles de segmentation sémantique YOLO26
Les modèles YOLO26-sem attribuent une classe à chaque pixel de la scène ; les résultats ci-dessous sont exprimés en IoU moyen à une résolution de 1 024 × 2 048. Cinq tailles couvrent les usages allant du déploiement sur appareil embarqué à la cartographie exigeant une grande précision, et des variantes supplémentaires à 640 pixels sont documentées pour les tâches 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 | PyTorch RTX 3090 (ms) | Paramètres (M) | FLOPs (G) |
|---|---|---|---|---|---|
| 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 1 024 × 2 048 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 — d’Ampere à Blackwell. Aucun supplément, aucun minimum, aucun engagement.
Déploie partout
Exporte vers 23 formats et déploie sur les 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
Foire aux questions
La segmentation sémantique attribue une étiquette de classe à chaque pixel d’une image, produisant une carte dense de la scène entière plutôt que des boîtes ou des masques par objet. Elle répond à des questions telles que : quels pixels correspondent à la route, à l’eau, aux cultures ou à un défaut ? C’est la base de la compréhension des scènes dans les domaines de la mobilité, de l’agriculture, de l’inspection et de la cartographie.
La segmentation sémantique étiquette chaque pixel selon sa classe sans distinguer les objets individuels — toutes les voitures partagent une seule étiquette. La segmentation d’instances produit un masque distinct pour chaque objet, ce qui permet de les compter et de les suivre. Utilise la segmentation sémantique pour comprendre les scènes dans leur ensemble et la segmentation d’instances pour analyser les objets individuellement ; Ultralytics prend en charge les deux dans un même flux de travail.
Les modèles de segmentation sémantique Ultralytics sont les premiers de la famille YOLO à produire des étiquettes denses pixel par pixel. Ils ont été annoncés sur la feuille de route Ultralytics et sont documentés dans la documentation sur la segmentation sémantique. Ils partagent le flux de travail Ultralytics habituel pour l’entraînement, la validation et l’exportation.
Prépare des masques pixel par pixel pour tes classes et lance le mode entraînement de la bibliothèque Ultralytics, ou gère l’annotation, l’entraînement sur GPU dans le cloud et l’évaluation dans ton navigateur avec Ultralytics Platform. Le réglage fin de poids préentraînés est le moyen le plus rapide d’obtenir de bons résultats.
Exporte le modèle avec le mode exportation vers des formats tels que ONNX, OpenVINO et TensorRT pour effectuer des inférences en temps réel sur des appareils périphériques, des véhicules et des serveurs. Les sorties denses pixel par pixel proviennent directement du modèle exporté, ce qui simplifie les pipelines en aval.
Crée des solutions de segmentation sémantique avec Ultralytics
Entraîne des modèles de segmentation dense pixel par pixel et déploie-les partout avec Ultralytics Platform.