10.4.1 图像分割路线图：像素级区域

分割比检测更细。它不是输出框，而是输出 mask，说明哪些像素属于某个类别或实例。

先看 Mask 工作流

本章最重要的对象是 mask。常见失败通常是边界质量、小目标、遮挡或类别混淆。

跑一个 Mask IoU 检查

这个脚本比较两个极小二值 mask。

truth = [
    [1, 1, 0],
    [1, 0, 0],
    [0, 0, 0],
]

pred = [
    [1, 0, 0],
    [1, 1, 0],
    [0, 0, 0],
]

intersection = 0
union = 0
for y in range(3):
    for x in range(3):
        intersection += truth[y][x] == 1 and pred[y][x] == 1
        union += truth[y][x] == 1 or pred[y][x] == 1

print("mask_iou:", round(intersection / union, 3))

预期输出：

mask_iou: 0.5

分割报告要展示 mask、指标和边界错误，而不只是彩色叠加图。

按这个顺序学

步骤	阅读	实操产出
1	语义分割	为每个像素预测一个类别
2	实例分割	分开同类别的不同对象
3	分割实战	比较 mask、IoU/Dice、边界错误和失败样例

通过标准

如果你能创建或检查一个 mask，计算简单重叠指标，并解释一个边界或类别混淆失败，就通过了本章。

检查思路与讲解

1. 合格答案要把任务映射到正确的视觉输出：类别标签、检测框、mask、OCR 文本、embedding 或视频事件。
2. 证据应包含渲染后的视觉产物，以及一个指标或定性错误说明。
3. 自检时要能指出一个视觉失败模式，例如类别混淆、漏检、mask 边界差、光照变化、领域偏移或标注质量弱。

留下的证据

学完这一页，至少保留这张证据卡：

输入图像

原始图像和目标掩膜或类别图

预测

预测掩膜、叠加可视化和边界示例

指标

IoU、Dice、每类得分和边界失败备注

失败检查

标注质量、边界过窄、小区域或类别混淆

期望产出

掩膜叠加图，以及分割指标汇总