### 使用YOLO11M-SEG ONNX模型进行图像分割并绘制掩码 为了实现YOLO11M-SEG ONNX模型的图像分割以及掩码绘制，需遵循特定流程来加载ONNX模型并对输入图片执行推理操作。此过程涉及准备环境、加载预训练模型文件、处理输入数据和解析输出结果。 #### 准备工作 确保安装必要的库，如`onnxruntime`用于运行ONNX模型，`opencv-python`用于图像读取与显示，还有其他辅助工具包： ```bash pip install onnxruntime opencv-python numpy matplotlib ``` #### 加载ONNX模型 通过Python脚本加载预先转换好的YOLO11M-SEG ONNX模型，并设置好会话选项以便后续调用： ```python import onnxruntime as ort import numpy as np # 初始化ONNX Runtime Session session = ort.InferenceSession('path_to_your_model/yolov11m-seg.onnx', providers=['CPUExecutionProvider']) input_name = session.get_inputs()[0].name output_names = [o.name for o in session.get_outputs()] ``` #### 图像预处理 对于输入到模型中的每张图片都需要按照指定格式调整大小、归一化等预处理步骤，使其符合模型预期输入规格： ```python def preprocess_image(image_path, input_size=(640, 640)): import cv2 img = cv2.imread(image_path) img_resized = cv2.resize(img, input_size) img_normalized = (img_resized / 255.0).astype(np.float32) # 调整维度顺序至CHW(C,H,W)，增加batch dimension(B,C,H,W) blob = np.transpose(img_normalized, (2, 0, 1))[np.newaxis,...] return blob ``` #### 执行推断获取预测结果 利用上述创建的会话对象传递经过预处理后的测试样本给模型做前向传播计算得到最终输出特征图和其他相关信息： ```python image_blob = preprocess_image('test.jpg') outputs = session.run(output_names, {input_name: image_blob}) ``` #### 解析输出并绘制掩码 根据具体版本的YOLOvX-Seg架构设计不同，可能需要针对具体的输出结构编写相应的解码逻辑；这里假设最后一个输出代表语义分割的概率分布矩阵，则可以采用如下方式提取最大概率类别作为二值化的前景/背景标签映射回原始尺寸空间完成可视化效果展示： ```python import matplotlib.pyplot as plt def postprocess_and_visualize(outputs, original_shape): mask_output = outputs[-1][0] # 获取最后一层输出的第一个批次的结果 predicted_mask = np.argmax(mask_output, axis=0) # 将预测的mask恢复成原图大小 resized_mask = cv2.resize(predicted_mask.astype(np.uint8), dsize=tuple(original_shape[:2]), interpolation=cv2.INTER_NEAREST) # 显示结果 fig, ax = plt.subplots(1, 2, figsize=(10, 5)) ax[0].imshow(cv2.cvtColor(cv2.imread('test.jpg'), cv2.COLOR_BGR2RGB)) ax[0].set_title('Original Image') ax[1].imshow(resized_mask, cmap='gray') ax[1].set_title('Predicted Mask') plt.show() ``` 以上代码片段展示了如何使用YOLO11M-SEG ONNX模型来进行简单的实例级或语义级别的物体检测任务[^1]。