實例分割 是什麼？
Instance Segmentation：實例分割 的完整解釋
在影像中同時偵測物件並為每個獨立個體生成精確像素級遮罩，區分同類中的不同個體。
實例分割（Instance Segmentation）是電腦視覺領域中整合層次最高的感知任務，要求模型在同一張影像中同時完成三件事：定位每個物件（bounding box）、辨識物件類別（classification），以及為每個物件個體生成像素級的二元遮罩（binary mask）。這使得實例分割比物件偵測更精確，也比語意分割更具有個體區分能力。
要理解實例分割，必須先釐清它與相關任務的差異。語意分割（Semantic Segmentation）將影像中每個像素標記為某個類別（例如「人」「車」「天空」），但無法區分同一類別中的不同個體：兩個靠在一起的人會被標記為同一個「人」區域。全景分割（Panoptic Segmentation）進一步結合了語意分割與實例分割，同時處理可數物件（things，如人、車）與不可數背景（stuff，如草地、天空）。實例分割則專注於可數物件，確保每個個體擁有自己獨立的遮罩標識，即使兩個物件在像素上完全重疊也能被分開。
發展歷程上，實例分割的里程碑是 Facebook AI Research 於 2017 年提出的 Mask R-CNN。Mask R-CNN 在 Faster R-CNN 的物件偵測架構上額外增加了一個並行分支，針對每個 RoI（Region of Interest）預測對應的二元遮罩。這個設計簡潔有效，成為此後多年的基準架構。後繼研究致力於提升速度與精度：YOLACT（You Only Look At CoefficienTs）採用「原型遮罩 + 線性組合」的方式實現實時推論；SOLOv2 使用動態卷積核按位置與大小生成遮罩，取消了錨點框的需求；CondInst 以條件卷積生成個體專屬濾波器，進一步提升速度。
技術實作上，主流實例分割系統通常包含以下模組。骨幹網路（backbone）負責提取多尺度特徵，常見選擇為 ResNet 或 Vision Transformer；特徵金字塔網路（FPN，Feature Pyramid Network）整合不同尺度的特徵圖，使模型能同時處理大小不一的物件；區域提案網路（RPN）或錨點自由（anchor-free）機制生成候選物件位置；遮罩頭（mask head）對每個候選區域輸出 28×28 或更高解析度的二元遮罩，最終縮放至原始物件大小。
評估指標方面，實例分割使用 COCO mAP（mean Average Precision）作為標準，具體計算時考量 IoU（Intersection over Union）門檻值從 0.5 到 0.95 的平均結果，分別對應 AP50、AP75 及整體 AP。遮罩 IoU 與框 IoU 的計算方式相同，但以像素遮罩代替矩形框進行比較。
在 iPAS AI 應用規劃師考試中，實例分割出現在多模態與視覺語言模型類別，考題通常要求考生區分語意分割、實例分割與全景分割的差異，識別 Mask R-CNN 的架構特點，以及了解實例分割在哪些實際應用場景中必不可少。
應用場景廣泛且深具意義。自動駕駛系統需要對行人、車輛、障礙物進行精確的實例分割，以便規劃安全路徑；醫療影像分析中，病理切片上的細胞核計數、腫瘤邊界標定都依賴實例分割；工業品質檢測需要區分流水線上每個瑕疵個體；農業智慧化場景中，作物計數與病蟲害區域定位也有賴於此技術；此外在擴增實境（AR）場景中，實例分割能讓虛擬物件準確覆蓋並追蹤真實世界中的個體。
目前的挑戰與研究方向包括：解決物件密集重疊時的遮罩品質下降問題、在嵌入式裝置上實現高效推論（輕量化架構研究）、以及結合大型視覺語言模型（如 SAM，Segment Anything Model）實現開放詞彙的實例分割：即無需預定義類別清單即可分割任意指定物件。