YOLOv9 实例分割与全景分割：两条命令上手指南

YOLOv9 实例分割与全景分割：两条命令上手指南

【免费下载链接】yolov9 Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information 项目地址: https://gitcode.com/GitHub_Trending/yo/yolov9

产线质检时，只框出缺陷位置远远不够，你还需要像素级的区域标注，才能算出缺陷面积并指导返修。本文讲 YOLOv9 项目里的分割能力，覆盖实例分割和全景分割两类任务，以及各自的入口脚本、调参要点和结果验证方式。

为什么从检测走向分割

检测的输出是边界框加类别标签，它只回答“在哪里”，无法描述物体的轮廓或占据图像中的哪片区域。实例分割（Instance Segmentation）为每个实例额外输出一张掩码，让你看到每个物体逐像素的边界；全景分割（Panoptic Segmentation）则进一步把背景中的“东西”（stuff，如地面、天空）和前景“事物”区分开，给整张图统一标注。换句话说，从检测到分割，是在“位置”之上多给了一个“区域”维度，落到产线上就是能从“这里有个划痕”推进到“这个划痕的形状和面积是多少”。三种任务的入口脚本与能力对比如下：

五分钟跑通第一个分割 Demo

在仓库根目录执行下面这条命令，就能拿到第一个分割结果。

python segment/predict.py --weights gelan-c-seg.pt --source data/images/horses.jpg

标注图会写到项目根目录下的 runs/predict-seg/exp/，直接打开与输入图同名的 jpg 就能看到掩码叠加效果。如果你跑的时候带了 --save-txt，还可以打开 labels/ 子目录里同名的 txt，查看每个实例的多边形坐标。

最影响效果的参数是 --conf-thres，置信度阈值，默认 0.25，想减少误检就调高它。

模型里多出来的那几层

相对检测头，分割头多出的是一套掩码分支：先用卷积预测一小组掩码原型通道，再让每个尺度上的解码器结合实例的框级特征，还原出整张图的掩码。也就是说，检测只需要一组框和类别的回归层，分割则在多尺度特征之上叠了一层“原型+解码”的结构。实例分割的头在 models/segment/yolov9-c-dseg.yaml 里由 DualDSegment 模块实现，它汇总了 P2 到 P5 共 8 个层级的特征；全景版本在 models/panoptic/gelan-c-pan.yaml 中把头部换成 Panoptic，一次前向同时输出实例掩码和 stuff 背景掩码。

下图就是这套多出来的层给同一张图带来的四种输出形态：

从单张图到批量跑

验证完单张图之后，把 --source 换成目录就是批量处理。

python segment/predict.py --weights gelan-c-seg.pt --source data/images/ --save-txt --exist-ok

落地时最常动的三个调优点：

• 置信度阈值：改 segment/predict.py 里的 --conf-thres（默认 0.25），调高可过滤低置信实例，调低能召回更多小目标。
• 掩码分辨率：由 --imgsz 控制（默认 640），想要更精细的掩码边缘就追加 --retina-masks，开启原图分辨率渲染。
• 输出格式：--save-txt 把归一化多边形坐标写到 labels/ 子目录，再加 --save-conf 会在每行附上置信度。

效果怎么验证

跑完之后，结果目录默认生成两类产物：叠加了掩码和框的同名标注图，以及（如果你传了 --save-txt）每实例一行、含类别和多边形坐标的 txt 标签文件。控制台结尾还会打印各阶段耗时和结果目录路径，可以直接核对吞吐是否满足产线要求。

这张示例图里，四匹相互遮挡的马被逐个区分开，没有发生合并，置信度都在 0.90 以上。标注框边缘紧贴马匹身体轮廓，在身体交叠处两个个体的分界依然清晰。

下一步可以做什么

跑通 Demo 之后，想继续改的地方都在项目里。

• 改网络结构：编辑 models/segment/ 与 models/panoptic/ 下的 YAML 文件即可增删头部层数，不用动 Python 代码。
• 换损失函数：实例分割的掩码损失在 utils/segment/loss.py，全景分割的在 utils/panoptic/loss.py，按你的任务权重直接改。
• 接自己的数据：仿照 data/coco.yaml 准备一份数据集配置，再用 segment/train.py 启动训练。

回到开头的产线场景：缺陷区域像素级标注出来后，面积统计就能直接进 MES 系统。把上面命令里的 --weights 和 --source 换成你的模型权重与数据路径，就能直接跑起来。

【免费下载链接】yolov9 Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information 项目地址: https://gitcode.com/GitHub_Trending/yo/yolov9