Ultralytics的YOLO26模型提供专门的分割模型以支持实例分割，其主要预训练模型及参数如下表所示，其中的mAP^box指标用于评估模型目标检测的能力，即预测的边界框（Bounding Box）与真实物体框的重合度，而mAP^mask指标用于评估模型实例分割的能力，即预测的像素级轮廓掩码（Mask）与真实物体轮廓的重合度。

  实例分割模型的输出是一组掩码或轮廓，它们勾勒出图像中每个对象，以及每个对象的类别标签和置信度分数。YOLO26的实例分割模型的输出数据形状为[N, H, W]，也即result.masks.data的数据形状，其中N为从图片中检测到的目标个数，H与输入模型图像的像素高度相同，W与输入模型图像的像素宽度相同。同时检测结果中的result.boxes属性保存检测到所有目标的边界框，result.boxes.data属性的数据形状为[N,6]，保存所有目标的坐标、置信度及类别。不过将分割模型转换为onnx格式后，其输出形状变为[1,300,38]及[1,32,160,160]的形式，具体解析方式后续再学习。


  最后是示例程序及程序运行效果，如下所示：

from ultralytics import YOLO

# Load a model
model = YOLO(r"E:\MyPrograms\Python\ultralytics\yolo26m-seg.pt")

# Predict with the model
results = model("ertong.jpg")  

# Access the results
for result in results:    
    xy = result.masks.xy  # mask in polygon format
    xyn = result.masks.xyn  # normalized    
    data = result.masks.data  # mask in matrix format (num_objects x H x W)
    print(result.boxes.data.shape)
    print(result.boxes.data)
    result.show()

参考文献：
[1]https://docs.ultralytics.com/zh/models/yolo26/
[2]https://docs.ultralytics.com/zh/tasks/segment/
[3]https://deepwiki.com/ultralytics/ultralytics/5.2-annotation-and-plotting-utilities
[4]https://docs.ultralytics.com/reference/engine/results/#ultralytics.engine.results.Masks