实时 YOLO 语义分割
通过密集的逐像素类别标签理解完整场景。Ultralytics 语义分割模型会对每个像素进行分类——道路、植被、建筑物、产品——并沿用所有 YOLO 任务同样快速的训练和部署工作流。
YOLO26 语义分割模型
YOLO26-sem 模型会为场景中的每个像素标注类别，下方以 1024×2048 分辨率下的平均 IoU 报告结果。五种尺寸涵盖从边缘部署到精度要求严苛的地图绘制场景；文档还介绍了适用于较轻量工作负载的 640 像素变体。
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 semantic segmentation model
model = YOLO("yolo26n-sem.pt")
# Run inference
results = model("image.jpg")| 模型 | 尺寸（像素） | mIoU | RTX 3090 PyTorch（毫秒） | 参数量（百万） | FLOPs（十亿） |
|---|---|---|---|---|---|
| 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 |
Ultralytics 文档中的 YOLO26 语义分割基准测试，分辨率为 1024×2048。
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 进行训练
26 张 NVIDIA GPU，起价为每小时 $0.24——从 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
常见问题
语义分割会为图像中的每个像素分配类别标签，从而生成覆盖整个场景的密集图，而不是边界框或逐个对象的掩码。它可以回答哪些像素属于道路、水域、农作物或缺陷等问题，是移动出行、农业、检测和制图领域实现场景理解的基础。
语义分割会按类别为每个像素打标签，但不会区分单个对象——所有汽车共享同一个标签。实例分割会为每个对象生成独立掩码，因此你可以对对象进行计数和跟踪。场景级理解适合使用语义分割，对象级分析适合使用实例分割；Ultralytics 通过一套工作流同时支持两者。
Ultralytics 语义分割模型是 YOLO 系列中首批能够生成密集逐像素标签的模型，相关信息已在Ultralytics 路线图公布，并记录在语义分割文档中。它们沿用熟悉的 Ultralytics 训练、验证和导出工作流。
为你的类别准备逐像素掩码，然后运行 Ultralytics 库的训练模式，或者通过浏览器中的 Ultralytics Platform管理标注、云端 GPU 训练和评估。微调预训练权重是快速获得出色结果的途径。
使用导出模式将模型导出为 ONNX、OpenVINO 和 TensorRT 等格式，以便在边缘设备、车辆和服务器上进行实时推理。密集的逐像素输出由导出的模型直接生成，让下游处理流水线保持简单。
使用 Ultralytics 构建语义分割方案
使用 Ultralytics Platform 训练密集的逐像素分割模型，并将其部署到任何地方。