搜尋意圖： 如果你在找「實例分割 是什麼」或「實例分割 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 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。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
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。
常見問題
實例分割和語意分割有什麼核心差異？
語意分割的輸出是一張與輸入影像等大的標籤圖，每個像素被賦予一個類別標籤（如「人」「車」「道路」），但同一類別的不同個體共用同一個標籤，無法被區分開來。實例分割則更進一步，不僅標記像素的類別，還為每個獨立的物件個體生成一個獨立的遮罩 ID，即使兩個人站得很近、像素互相觸碰，系統仍能明確區分「這是第一個人的像素」和「這是第二個人的像素」。從輸出格式來說，語意分割輸出單一的類別圖；實例分割輸出一組（類別標籤、邊界框、二元遮罩）的三元組集合，每個物件個體各有一組。這個差異使得實例分割在需要計數或追蹤個體的場景（如細胞計數、人群分析）中不可或缺。
Mask R-CNN 是如何實現實例分割的？
Mask R-CNN 在 Faster R-CNN 的兩階段物件偵測架構上增加了第三個並行分支。Faster R-CNN 已經能夠輸出每個物件的類別標籤和邊界框；Mask R-CNN 在此基礎上，對每個 RoI（感興趣區域）額外執行一個全卷積網路（FCN），預測一個 28×28 的二元遮罩，指示哪些像素屬於該物件。為了讓遮罩分支的輸入特徵與空間位置精確對齊，Mask R-CNN 引入了 RoIAlign 操作（取代 Faster R-CNN 的 RoIPool），透過雙線性插值保留精確的空間對應關係，顯著提升了遮罩邊界的精準度。訓練時，遮罩損失、分類損失與邊界框迴歸損失三者同時最佳化，使整個網路能夠端對端地學習。
實例分割在 iPAS 考試中的常見考點有哪些？
iPAS AI 應用規劃師中級考試中，實例分割的考題主要圍繞以下幾個面向。第一是概念區辨：能清楚說明物件偵測、語意分割、實例分割、全景分割四種任務的差異與輸出形式，這是最常見的選擇題考點。第二是代表性模型辨識：Mask R-CNN 是必考架構，考生應了解其在 Faster R-CNN 基礎上新增遮罩分支的設計，以及 RoIAlign 的作用。第三是應用場景對應：題目會給出一個具體場景（如自動駕駛中的行人分析、醫療影像中的細胞計數），要求考生選出最適合的視覺任務類型。考生若能同時掌握評估指標（COCO mAP、遮罩 IoU）與主要挑戰（密集物件、即時推論需求），則能應對更進階的分析題型。