Phân đoạn ngữ nghĩa YOLO thời gian thực
Hiểu toàn bộ cảnh với các nhãn lớp dày đặc trên từng pixel. Các model phân đoạn ngữ nghĩa Ultralytics phân loại mọi pixel — đường sá, thảm thực vật, tòa nhà, sản phẩm — với quy trình huấn luyện và triển khai nhanh chóng giống như mọi tác vụ YOLO.
Các model phân đoạn ngữ nghĩa YOLO26
Các model YOLO26-sem gắn nhãn mọi pixel trong cảnh, được báo cáo bên dưới dưới dạng chỉ số IoU trung bình ở độ phân giải 1024×2048. Năm kích thước bao phủ từ triển khai thiết bị biên đến lập bản đồ đòi hỏi độ chính xác cao, và các biến thể 640 pixel bổ sung được tài liệu hóa cho các khối lượng công việc nhẹ hơn.
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 semantic segmentation model
model = YOLO("yolo26n-sem.pt")
# Run inference
results = model("image.jpg")| Mô hình | Kích thước (px) | mIoU | RTX 3090 PyTorch (ms) | Tham số (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 |
Các điểm chuẩn phân đoạn ngữ nghĩa YOLO26 ở độ phân giải 1024×2048 từ tài liệu Ultralytics.
Được tin dùng bởi các tổ chức hàng đầu thế giới
Tác động từ các mô hình của chúng tôi
Tối ưu hóa quy trình trên nhiều ngành nghề với các mô hình AI thị giác tiên tiến của chúng tôi. Tốc độ, độ chính xác và tính dễ sử dụng được hỗ trợ bởi Ultralytics.
Sự tiến hóa của các model Ultralytics YOLO
Xem cách Ultralytics YOLO tiến hóa từ quy trình làm việc YOLOv5 thực tế sang suy luận YOLO26 sẵn sàng cho biên.
Gắn nhãn nhanh hơn tới 10 lần với tính năng gán nhãn thông minh
Ultralytics Platform cung cấp cho bạn công cụ gán nhãn hình ảnh để xây dựng các tập dữ liệu chất lượng cao nhanh hơn. Từ gán nhãn thông minh đến chỉnh sửa thủ công chính xác, các tính năng này được thiết kế để giảm thời gian gắn nhãn hình ảnh mà không làm giảm chất lượng.
- Gán nhãn thông minh được hỗ trợ bởi SAM: Mặt nạ và hộp giới hạn trong một cú nhấp chuột.
- Bao phủ toàn diện các tác vụ AI: Phát hiện, phân đoạn thực thể, phân đoạn ngữ nghĩa, phân loại, tư thế, OBB.
- Hỗ trợ định dạng vạn năng: Tùy chọn YOLO, COCO của bạn và nhiều định dạng khác.
- Đánh giá của nhóm và quản lý phiên bản: Cộng tác rõ ràng ở mọi bước.
Huấn luyện trên các GPU tốt nhất với chi phí thấp hơn
26 GPU NVIDIA bắt đầu từ $0,24/giờ — từ Ampere đến Blackwell. Không phụ thu, không mức tối thiểu, không ràng buộc.
Triển khai ở mọi nơi
Xuất sang 20 định dạng và triển khai trên các thiết bị biên, đám mây và di động.
Khám phá các giải pháp theo ngành
Xem cách các nhóm áp dụng thị giác máy tính Ultralytics trên các môi trường sản xuất.
Nông nghiệp
Ô tô
Y tế
Hậu cần
Sản xuất
Bán lẻ
Robot
Nông nghiệp
Ô tô
Y tế
Hậu cần
Sản xuất
Bán lẻ
Robot
Nông nghiệp
Ô tô
Y tế
Hậu cần
Sản xuất
Bán lẻ
Robot
Các câu hỏi thường gặp
Semantic segmentation gán nhãn lớp cho từng pixel trong một ảnh, tạo ra một bản đồ dày đặc của toàn bộ cảnh thay vì các hộp hoặc mặt nạ theo từng đối tượng. Nó trả lời các câu hỏi như pixel nào là đường, nước, cây trồng hoặc lỗi — nền tảng cho việc hiểu cảnh trong di chuyển, nông nghiệp, kiểm tra và lập bản đồ.
Phân đoạn ngữ nghĩa gán nhãn cho mọi pixel theo lớp mà không tách biệt các đối tượng riêng lẻ — tất cả các xe hơi đều dùng chung một nhãn. Instance segmentation tạo ra một mặt nạ riêng biệt cho mỗi đối tượng, vì vậy bạn có thể đếm và theo dõi chúng. Sử dụng phân đoạn ngữ nghĩa để hiểu ở cấp độ cảnh, phân đoạn cá thể để phân tích ở cấp độ đối tượng; Ultralytics hỗ trợ cả hai với một quy trình làm việc duy nhất.
Các mô hình phân đoạn ngữ nghĩa của Ultralytics là những mô hình đầu tiên trong dòng YOLO tạo ra các nhãn dày đặc cho từng pixel, được công bố trên Ultralytics roadmap và được tài liệu hóa trong semantic segmentation docs. Chúng chia sẻ quy trình đào tạo, xác thực và xuất quen thuộc của Ultralytics.
Chuẩn bị các mặt nạ theo từng pixel cho các lớp của bạn và chạy train mode của thư viện Ultralytics, hoặc quản lý việc chú thích, đào tạo GPU đám mây và đánh giá trong trình duyệt với Ultralytics Platform. Tinh chỉnh trọng số đã huấn luyện trước là con đường nhanh nhất để đạt được kết quả mạnh mẽ.
Xuất bằng export mode sang các định dạng như ONNX, TensorRT và OpenVINO để suy luận thời gian thực trên các thiết bị biên, phương tiện và máy chủ. Các đầu ra dày đặc theo từng pixel xuất phát trực tiếp từ mô hình đã xuất, giúp giữ cho các đường ống xử lý hạ nguồn đơn giản.
Xây dựng phân đoạn ngữ nghĩa với Ultralytics
Huấn luyện các model phân đoạn dày đặc trên từng pixel và triển khai chúng ở bất cứ đâu với Ultralytics Platform.