使用opencv部署yolact实例分割

最新推荐文章于 2025-06-04 19:01:57 发布

原创

最新推荐文章于 2025-06-04 19:01:57 发布 · 2.6k 阅读

31 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习

本文介绍了YOLACT目标检测模型的工作原理，它是一个单阶段的实例分割模型，通过在特征图上生成候选框并计算掩模系数。作者分享了如何使用opencv实现YOLACT模型的后处理，包括解析模型输出，应用非极大值抑制和实例掩模生成。此外，还展示了与官方代码可视化结果的对比。

本文原创首发于极市平台公众号，如需转载请私信作者

YOLACT，全称为：You Only Look At CoefficienTs，从标题可以看出这个模型的名称有些致敬YOLO的意思。YOLACT是2019年ICCV会议论文，它是在现有的一阶段（one-stage）目标检测模型里添加掩模分支。而经典的mask-rcnn是两阶段实例分割模型是在faster-rcnn(两阶段目标检测模型)添加掩模分支，但是在YOLACT里没有feature roi pooling这个步骤。因而，YOLACT是一个单阶段实例分割模型。

起初，我是在知乎上看到YOLACT这个模型，文章里说它是端到端一阶段完成实例分割，而且运行速度快，并且YOLACT是ncnn(腾讯研发的手机端高性能神经网络前向计算框架)推理框架里唯一一款做实例分割的模型。于是我就想着编写一套程序，使用opencv 部署YOLACT来做实例分割，我把这套程序发布在github上，程序里包含C ++和Python两种版本的。

地址是：https://github.com/hpc203/yolact-opencv-dnn-cpp-python

关于 YOLACT，目前中文互联网上的资料多数是对原始论文的翻译总结。简单讲一下YOLACT的网络结构，如下图所示