实时 YOLO 语义分割
通过稠密的逐像素类别标签理解整个场景。Ultralytics 语义分割模型对每个像素（道路、植被、建筑、产品）进行分类，并具备与所有 YOLO 任务相同的快速训练和部署工作流。
YOLO26 语义分割模型
YOLO26-sem 模型为场景中的每个像素打上标签，以下报告的指标为 1024×2048 分辨率下的平均交并比。五种尺寸涵盖从边缘部署到精度要求极高的制图场景，同时文档中也记录了针对较轻工作负载的 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 (px) | 平均交并比 | RTX 3090 PyTorch (ms) | 参数量 (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 |
来自 Ultralytics 文档的 1024×2048 分辨率下的 YOLO26 语义分割基准测试。
深受全球领先组织信赖
我们模型的影响力
借助我们尖端的视觉 AI 模型，简化各行业的流程。由 Ultralytics 提供支持的速度、准确性与易用性。
Ultralytics YOLO 模型的演进
了解 Ultralytics YOLO 如何从实用的 YOLOv5 工作流演进到边缘就绪的 YOLO26 推理。
通过智能标注实现高达 10 倍的标注速度提升
Ultralytics Platform 提供图像标注工具，帮助你更快地构建高质量数据集。从智能标注到精确的手动编辑，这些功能旨在缩短图像标注时间，同时不降低质量。
- SAM 驱动的智能标注：一键生成掩码和边界框。
- 全 AI 任务覆盖：检测、实例分割、语义分割、分类、姿态估计、OBB。
- 通用格式支持：随心选择 YOLO、COCO 等格式。
- 团队审阅与版本控制：在每一步都实现清晰的协作。
以更低成本在最佳 GPU 上进行训练
26 款 NVIDIA GPU，价格低至 $0.24/小时——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
零售
机器人
农业
汽车
医疗保健
物流
制造
零售
机器人
农业
汽车
医疗保健
物流
制造
零售
机器人
常见问题解答
Semantic segmentation 会为图像中的每个像素分配一个类别标签，从而生成整个场景的密集映射，而不是边界框或每个对象的掩码。它回答了哪些像素是道路、水、农作物或缺陷等问题，这是移动出行、农业、检测和测绘中场景理解的基础。
语义分割按类别对每个像素进行标记，而不分离单个对象——所有汽车共用一个标签。Instance segmentation 会为每个对象生成独特的掩码，以便你可以计数和跟踪它们。使用语义分割进行场景级理解，使用实例分割进行对象级分析；Ultralytics 通过一套工作流同时支持这两种分割。
Ultralytics 语义分割模型是 YOLO 家族中首个生成密集逐像素标签的模型，该模型在 Ultralytics roadmap 上宣布，并在 semantic segmentation docs 中进行了记录。它们共享你熟悉的 Ultralytics 训练、验证和导出工作流。
为你的类别准备逐像素掩码并运行 Ultralytics 库的 train mode，或者使用 Ultralytics Platform 在浏览器中管理标注、云端 GPU 训练和评估。微调预训练权重是获得强劲结果的最快路径。
使用 export mode 导出为 ONNX、TensorRT 和 OpenVINO 等格式，以便在边缘设备、车辆和服务器上进行实时推理。密集的逐像素输出直接来自导出的模型，从而保持下游管道的简洁。
使用 Ultralytics 构建语义分割
训练稠密的逐像素分割模型，并通过 Ultralytics 平台将其部署到任何地方。