总结yolov8做图像实例分割训练时的一些常识点

计算机视觉中的几个重要的研究方向。

主要包括图像分类、目标检测、语义分割、实例分割、全景分割等

那么何为实例分割？

实例分割比目标检测更进一步，涉及识别图像中的各个对象并将它们与图像的其余部分分割开来。

---

 图像分割可分为：语义分割，实例分割，全景分割。

（a)原图，（b)语义分割，（c）实例分割，（d）全景分割

1、语义分割（semantic segmentation）：标注方法通常是给每个像素加上标签；常用来识别天空、草地、道路等没有固定形状的不可数事物（stuff）。

2、实例分割（instance segmentation）：标注方法通常是用包围盒（bbox？）或分割掩码标记目标物体；常用来识别人、动物或工具等可数的、独立的明显物体（things）。

3、全景分割（Panoptic Segmentation）：结合前面两者，生成统一的、全局的分割图像，既识别事物，也识别物体。

实例分割模型的输出是一组用于勾勒图像中每个对象的掩码或轮廓，以及每个对象的类别标签和置信度分数。当你不仅需要知道图像中对象的位置，还需要了解它们的确切形状时，这个时候实例分割非常有用了。

 快速演示

1. 环境配置

• 电脑需要先配置好对应的PyTorch--1.11.0 和python--3.8/11.3及环境

• 克隆下载yolov8源代码：

  git clone https://github.com/ultralytics/ultralytics

  或者克隆下载对应发行版本的（推荐8.1.0版本）

git clone https://gitee.com/xiaohuxuezhang/ultralytics-v8.1.0.git

下载好后找到对应的ultralytics文件夹，然后输入以下指令安装配置环境：

pip install -e .

快速推理

yolo predict model=yolov8n-seg.pt source='https://ultralytics.com/images/bus.jpg'

原图：

预测后的图片：

分割模型

源码：

from ultralytics im