weixin_45824067的博客

但是我read模型的时候报错：ERROR during processing node with 2 inputs and 1 outputs: [Reshape]:(/model.22/dfl/Reshape_output_0) from domain='ai.onnx'yolov8n-seg CPU 推理耗时150ms左右， 速度比yolov5n-seg慢一点(100ms)，但是检测效果好一些，具体来说，同样是我穿上这件外套，yolov8n-seg给出的置信度更高！一张图片一组mask原型。

效果还可以哦，cpu耗时才100ms左右，比opencv dnn 部署 快了一倍。

还是写一点实例分割部分的东西吧，互相交流下，嘿嘿。yolov5n-seg.onnx 一张图片输入会获得两个输出，分别为output025200是输出anchor的数量，117是4个anchor坐标信息、1个置信度、80个类别概率、32个mask系数。output1即一张图片输出的一组mask原型 ，你可以理解为网络32张mask。在网络输入图上突出前景的mask，共32张，然后尺寸缩小到尺寸为160*160。

我一开始的时候是接触目标检测，比如yolov5。然后学习到yolov，其整合了实例分割，在 C++ 部署的时候，看不懂实例分割的后处理，所以才在网上找到这篇优秀的总结。

用 文件进行预测的话，不会弹出窗口显示，只能把视频文件全部预测完成才能查看结果。yolov5 只要7.0才有分割，许多人呼吁，作者才把实例分割加入项目中的。鼠标左键点击蓝色字就可以，我这里选择YOLOv5n-seg。CPU推理耗时70ms，与官方60ms接近，数据真实！别的数据格式也支持推理，比如图片呀。

与yolov8n.pt相比，其所展示的信息很少。用netron查看下ONNX格式模型。

一个图像是许多像素的集合，图像分割分类是对图像中属于特定类别的像素进行分类的过程，因此图像分割可以认为是按像素进行分类的问题。基于深度学习的图像分割技术主要分为：语义分割、实例分割、全景分割语义分割，即图像上所有像素点进行分类，同一类别目标不要求区别实例分割，即目标检测+语义分割，对图像中存在的Object进行分割，同一类别有区别全景分割，即语义分割和实例分割的结合，图像中所有物体包括背景也要进行检测和分割本文除最后个人总结外，全为摘抄参考文章，侵权立删！