YOLO11图像分割全流程演示，适合初学者的极简教程
你是不是也试过：下载了一个看起来很厉害的YOLO镜像，点开Jupyter却不知道从哪下手？想跑通图像分割，却被数据标注、格式转换、训练配置绕得晕头转向？别担心——这篇教程就是为你写的。不讲原理推导，不堆参数表格，只用最直白的操作步骤，带你从零开始，用YOLO11完成一次完整的图像分割任务：识别图中的人和车，并精准抠出它们的轮廓。整个过程在镜像里开箱即用，连环境都不用装，真正“复制粘贴就能跑”。
我们用的是CSDN星图提供的YOLO11镜像，它已经预装了Ultralytics 8.3.9、Labelme、PyTorch及全部依赖，还配好了Jupyter和SSH两种交互方式。你只需要关注“做什么”和“怎么点”，而不是“为什么报错”。
下面所有操作，你都可以在镜像启动后的Jupyter Lab界面中直接完成（推荐），或通过SSH终端执行。我们以Jupyter为主，每一步都截图示意，关键命令加粗标出，小白也能稳稳跟住。
1. 镜像启动与环境确认
1.1 启动镜像并进入Jupyter
镜像启动后，你会看到类似这样的访问地址提示（实际URL以你控制台输出为准）：
Jupyter Server is running at: https://your-instance-ip:8888/?token=xxxxx用浏览器打开该链接，输入Token（或密码，若已设置），即可进入Jupyter Lab工作台。
小贴士：如果你更习惯命令行，镜像也支持SSH登录（端口22，用户名
root，密码见镜像启动页）。但对初学者，Jupyter图形界面更直观、容错率更高。
1.2 确认项目结构与基础路径
进入Jupyter后，左侧文件浏览器中，你会看到一个名为ultralytics-8.3.9/的文件夹。这是你的主工作目录，所有后续操作都基于此路径。
点击进入该文件夹，展开后可见典型结构：
resources/：存放数据、配置、脚本的统一入口tool/：含两个核心转换工具：tool_json2label_seg.py和tool_seg2datasets.pytrain.py：官方默认训练脚本（我们不用它，会新建专用脚本）- 其他为Ultralytics源码和权重文件
此时你已站在起跑线——环境就绪，路径清晰，无需任何额外安装。
2. 数据准备：5张图，3步搞定标注与整理
图像分割成败，七分靠数据。但别被“分割标注”吓退——我们只用最轻量的方式：5张人+车的日常照片，手工标注，全程5分钟。
2.1 创建原始图片与标注存放目录
在Jupyter中，右键resources/→ “新建文件夹”，依次创建以下嵌套路径：
resources/images/seg/json/将你的5张原始图片（如person_car_1.jpg,street_2.jpg等）全部上传至此json/文件夹内。
为什么叫 json/？
因为我们用Labelme标注，它默认保存为.json格式，且要求标注文件与原图同名、同目录。这样后续转换脚本才能自动匹配。
2.2 用Labelme快速标注：画多边形，输类别名
在Jupyter终端（顶部菜单：File → New → Terminal）中，输入并执行：
cd resources/images/seg/json labelmeLabelme窗口弹出后，按顺序操作：
- 左上角
Open Dir→ 选择当前json/文件夹 - 左侧工具栏选Polygon（多边形）图标（形状像不规则闭合线）
- 在图中框选一个人→ 弹出对话框，输入类别名：
person→ 点击OK - 同样方法，框选一辆车→ 输入类别名：
car - 标注完成后，点击左上角
Save→ 保存为同名.json文件（如person_car_1.json）
每张图标注1~2个目标，5张图共花不到3分钟。Labelme界面简洁，无学习成本。
2.3 转换标注格式：JSON → YOLO分割标签
Labelme生成的JSON是结构化数据，YOLO需要的是纯文本格式：每行一个目标，格式为类别序号 x1 y1 x2 y2 x3 y3 ...（坐标归一化到0~1）
镜像已内置转换脚本，只需一行命令：
cd /workspace python tool/tool_json2label_seg.py --json_dir resources/images/seg/json --save_dir resources/images/seg/labels执行后，你会在resources/images/seg/labels/下看到5个.txt文件，内容类似：
0 0.321 0.456 0.389 0.456 0.389 0.672 0.321 0.672 1 0.612 0.513 0.789 0.513 0.789 0.821 0.612 0.821这就是YOLO能读懂的分割标签。脚本自动完成归一化、坐标排序，你只需确认输出目录有.txt文件即可。
2.4 划分训练集与验证集：打乱+拆分
YOLO训练需要明确的train/和val/目录。我们用镜像自带脚本一键生成：
python tool/tool_seg2datasets.py --img_dir resources/images/seg/json \ --label_dir resources/images/seg/labels \ --output_dir resources/images/seg/datasets \ --train_ratio 0.8运行后，resources/images/seg/datasets/下自动生成：
images/train/和images/val/：存放原图的硬链接（不占额外空间）labels/train/和labels/val/：对应分割标签
数据集制作完毕。无需手动复制粘贴，脚本自动打乱、按比例拆分，保证训练公平性。
3. 配置与训练：改两处，点一下就开跑
YOLO11的训练配置高度模块化。我们不碰复杂模型结构，只聚焦两个必须修改的文件：数据配置 + 训练脚本。
3.1 编写数据配置文件：yolo11-seg.yaml
在Jupyter中，右键resources/config/data/→ “新建文本文件”，命名为yolo11-seg.yaml。
双击打开，完全替换为以下内容（注意缩进！YAML对空格敏感）：
# 数据根目录（相对于本yaml文件的位置） path: ../ultralytics-8.3.9/resources/images/seg/datasets train: images/train val: images/val test: images/val # 可选，此处用验证集代替测试集 # 类别定义：序号必须从0开始，顺序与标注一致 names: 0: person 1: car关键点：path值指向你刚生成的datasets/目录；names必须与Labelme中输入的类别名完全一致（大小写、空格都不能错）。
3.2 创建训练脚本：train_seg.py
在Jupyter中，右键resources/→ “新建文本文件”，命名为train_seg.py。
粘贴以下代码（已精简优化，去除非必要参数，专注初学者友好）：
from ultralytics import YOLO def main(): # 加载YOLO11分割模型配置，并加载官方预训练权重 model = YOLO("resources/config/model/yolo11-seg.yaml").load("weights/seg/yolo11n-seg.pt") # 开始训练：仅需关注这4个核心参数 results = model.train( data="resources/config/data/yolo11-seg.yaml", # 指向你的数据配置 epochs=100, # 训练100轮（足够小数据集收敛） batch=8, # 每批处理8张图（显存友好） imgsz=640, # 输入尺寸640x640（平衡速度与精度） project="segment", # 输出目录前缀 name="train", # 输出子目录名 device="cpu" # 强制用CPU（镜像默认可用，免GPU配置烦恼） ) if __name__ == "__main__": main()对比原文档中的长参数列表，我们只保留初学者最需掌控的5项：data,epochs,batch,imgsz,device。其他如数据增强、学习率等已设为安全默认值，无需调整。
3.3 执行训练：观察日志，等待收敛
在Jupyter中，点击train_seg.py文件 → 右上角点击 “Run” 按钮（或按Ctrl+Enter）。
终端将输出训练日志，关键信息包括：
Epoch 0/100：当前轮次BoxLoss 0.821：边界框损失（越低越好）SegLoss 0.456：分割掩码损失（核心指标）mAP50-95 0.623：平均精度（0~1，越高越好，>0.5即算有效）
训练约15~20分钟后（CPU环境下），你会在segment/train/目录下看到：
weights/best.pt：最优模型权重results.csv：每轮指标记录train_batch0.jpg：首批次训练效果可视化
训练完成。无需调参，无需看懂日志含义，只要看到best.pt生成，就代表模型已学会区分人和车的像素级轮廓。
4. 模型推理：一张图，三秒出分割结果
训练好的模型，最终要用来“看图说话”。我们用最简脚本，对验证集图片批量预测，并保存带分割掩码的结果图。
4.1 编写预测脚本：predict_seg.py
右键resources/→ 新建文本文件 → 命名为predict_seg.py。
粘贴以下代码：
from ultralytics import YOLO # 加载你训练好的最优模型 model = YOLO("segment/train/weights/best.pt") # 对验证集所有图片进行预测 results = model.predict( source="resources/images/seg/datasets/images/val", # 输入图片目录 imgsz=640, # 保持与训练一致 project="segment", # 输出根目录 name="predict", # 输出子目录名 save=True, # 保存结果图 conf=0.5, # 置信度阈值（过滤低质量检测） device="cpu" # 同样用CPU )4.2 运行预测并查看结果
点击predict_seg.py→ “Run”。
几秒钟后，打开segment/predict/目录，你会看到：
image0.jpg、image1.jpg等：原图叠加半透明彩色分割掩码（person为绿色，car为蓝色）image0.png、image1.png等：纯分割掩码图（白色区域即目标像素）
效果直观可验：人像边缘是否贴合？车体是否完整覆盖？没有复杂的评估指标，眼睛一看便知。
5. 实用技巧与避坑指南：少走90%弯路
以上流程已足够跑通，但真实使用中，新手常卡在几个细节。这里浓缩成5条血泪经验，帮你省下数小时调试时间：
5.1 标注命名必须严格一致
- Labelme中输入的类别名（如
person）→ 必须与yolo11-seg.yaml中names:下的键名逐字相同 - 错误示例：
Names:（首字母大写）、person（末尾空格）、Person（大小写混用）都会导致训练时类别丢失，模型只学“背景”
5.2 JSON与图片必须同名同目录
car_001.jpg的标注必须保存为car_001.json，且两者都在json/文件夹内- 若放错位置，
tool_json2label_seg.py会静默跳过，labels/目录为空，训练时报错“no labels found”
5.3 路径是相对路径，不是绝对路径
yolo11-seg.yaml中的path:值，是相对于该yaml文件自身的位置- 正确写法：
../ultralytics-8.3.9/resources/images/seg/datasets - 错误写法：
/workspace/ultralytics-8.3.9/...（绝对路径在镜像不同部署方式下可能失效）
5.4 CPU训练可行，但需耐心
- 镜像默认启用CPU训练（
device="cpu"），对5张图的小数据集完全够用 - 若强行指定
device="cuda"而镜像未配GPU，会报错CUDA out of memory或no CUDA devices - 如需GPU加速，请先在镜像设置中启用GPU资源，再改
device="cuda"
5.5 结果图保存路径由project+name决定
project="segment"+name="predict"→ 输出到segment/predict/- 若想把结果存到桌面，可改为
project="/workspace/Desktop"（需确保路径存在） - 不要遗漏
save=True，否则只打印结果，不生成图片
6. 总结：你已掌握YOLO11图像分割的核心闭环
回顾这一路，你完成了图像分割的完整工程链路：
- 数据层：用Labelme手绘多边形，5张图5分钟标注，JSON转YOLO标签全自动
- 配置层：写一个6行的yaml定义数据路径与类别，一个15行的py脚本封装训练逻辑
- 训练层：点一下Run，看日志滚动，等
best.pt生成，全程无报错 - 应用层：再点一下Run，
predict/目录下立刻出现带彩色掩码的结果图
这并非“玩具demo”，而是工业级YOLO11分割能力的真实切片。你所用的模型、脚本、工具，与专业团队部署的完全一致，差异只在于数据规模。下一步，你可以：
- 把自己的产品图、设计稿、监控截图放进来，快速生成分割数据集
- 将
predict_seg.py改造成Web API，用Flask包装，供前端调用 - 替换
yolo11n-seg.pt为更大的yolo11l-seg.pt，提升复杂场景精度
技术从不神秘，障碍往往藏在第一步的犹豫里。而今天，你已经跨过了那道门。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
