解决YOLOv8图像分割颜色混淆问题：手把手教你修改掩膜和预测框颜色

脑补型产品

596人浏览 · 2026-03-01 16:23:48

脑补型产品 · 2026-03-01 16:23:48 发布

解决YOLOv8图像分割颜色混淆问题：手把手教你修改掩膜和预测框颜色

在计算机视觉项目的实际落地过程中，可视化效果的好坏直接影响着开发者的调试效率和最终演示的观感。你是否遇到过这样的场景：使用YOLOv8进行图像分割时，模型预测出的物体掩膜（mask）和包裹它的边界框（bounding box）颜色过于接近，甚至完全一样，导致在复杂的图像背景中难以一眼区分出目标物体和它的轮廓？这种颜色混淆问题不仅让结果图看起来混乱，更可能掩盖掉一些重要的预测细节，比如多个重叠物体的边界。

对于从事安防监控、自动驾驶感知、工业质检或者医学图像分析的朋友来说，清晰的可视化是沟通和验证模型性能的关键。本文将从一个实践者的角度出发，为你提供一套完整、可操作的解决方案。我们不会停留在简单的“改个颜色”的层面，而是深入YOLOv8的绘图工具类，理解其颜色分配机制，并教你如何定制一套既美观又实用的颜色方案，确保你的分割结果图一目了然，专业感十足。

1. 理解YOLOv8的可视化核心：`plotting.py` 与 `Colors` 类

要修改预测结果的颜色，我们必须先找到控制这一切的“开关”。在YOLOv8的源码架构中，所有与结果绘制相关的逻辑都封装在 ultralytics/utils/plotting.py 这个文件里。这个文件就像一个画家的工具箱，里面装着画笔、调色板和绘制各种图形（如框、文本、掩膜）的函数。

1.1 定位颜色定义的源头

打开你的YOLOv8项目目录，找到 ultralytics/utils/plotting.py。用你喜欢的代码编辑器（如VSCode、PyCharm）打开它。在这个文件中，有一个名为 Colors 的类，它就是整个可视化系统的色彩管理中心。

这个类的设计非常巧妙，它采用了一种“按需分配、循环使用”的策略来管理颜色。让我们看看它的核心部分（代码位置可能因版本略有不同，通常在文件靠前的位置）：

class Colors:
    """
    Ultralytics color palette https://ultralytics.com/ for bounding boxes and segments.
    """
    def __init__(self):
        """Initialize colors as hex = matplotlib.colors.TABLEAU_COLORS.values()."""
        hexs = ('FF3838', 'FF9D97', 'FF701F', 'FFB21D', 'CFD231', '48F90A', '92CC17', '3DDB86', '1A9334', '00D4BB',
                '2C99A8', '00C2FF', '344593', '6473FF', '0018EC', '8438FF', '520085', 'CB38FF', 'FF95C8', 'FF37C7')
        self.palette = [self.hex2rgb(f'#{c}') for c in hexs]
        self.n = len(self.palette)

    def __call__(self, i, bgr=False):
        """Converts hex color codes to rgb values."""
        c = self.palette[int(i) % self.n]
        return (c[2], c[1], c[0]) if bgr else c

    @staticmethod
    def hex2rgb(h):
        """Converts hex color code to rgb tuple."""
        return tuple(int(h[1 + i:1 + i + 2], 16) for i in (0, 2, 4))

关键点解析：

hexs 元组：这里定义了20种默认的十六进制颜色码（去掉了#前缀）。这就是YOLOv8的初始调色板。
self.palette：在初始化时，将hexs中的每个颜色码通过 hex2rgb 静态方法转换为RGB元组，存储在一个列表中。
__call__ 方法：这是类的“魔法方法”。当你使用 colors(i) 这样的形式调用时，它会根据索引 i（通常是类别ID）返回对应的颜色。% self.n 确保了即使类别数超过20种，颜色也会循环使用，不会索引越界。bgr 参数用于适配OpenCV的BGR颜色格式。

注意：YOLOv8在绘制时，对于同一张图片中的不同物体实例，即使它们属于同一类别，也可能为了区分而分配不同的颜色索引。但掩膜和其对应的预测框通常会使用相同的颜色索引，这就是导致颜色混淆的根本原因。我们的修改需要从调色板本身入手，让相邻的颜色在视觉上差异更大。

1.2 颜色混淆问题的成因分析

为什么会出现框和掩膜颜色相近的问题？这主要源于默认调色板的设计逻辑。hexs 中的颜色虽然丰富，但并非完全按照最大视觉区分度来排列。例如，‘FF3838’（亮红色）和 ‘FF9D97’（浅粉红色）在色相上非常接近，如果它们被先后分配给一个物体的框和掩膜，在快速浏览时确实容易混淆。

此外，当场景中存在大量同类物体时，颜色循环使用会导致距离较远的两个物体可能被分配相同的颜色，如果它们又恰好相邻，也会造成视觉干扰。

因此，我们的目标不仅仅是替换一两个颜色，而是规划一套新的色彩策略。

2. 规划你的专属颜色方案：从理论到实践

在动手修改代码前，花几分钟规划一下颜色方案是值得的。一个好的方案应该考虑以下几点：

高对比度：框的颜色和掩膜填充色需要有明显的区分度。
类别区分：不同类别的物体最好使用色相差异大的颜色。
视觉友好：避免使用过于刺眼或饱和度过高的颜色组合，长时间查看不易疲劳。
实用性：考虑到打印（灰度）或色盲用户，可以适当引入纹理或边框样式的思考。

2.1 选择与生成颜色码

对于不熟悉色彩理论的朋友，这里有几个实用的工具和方法：

方法一：使用在线配色工具

Coolors.co：快速生成协调的调色板，可以锁定喜欢的颜色并重新生成其余部分。
Adobe Color：提供基于色轮规则（互补色、类似色等）的配色方案，非常专业。
Color Hunt：汇集了设计师们分享的现成精美配色方案，可以直接“拿来主义”。

方法二：使用系统画图工具取色（适合快速微调） 正如原始提示中提到的，Windows自带的“画图”工具或更专业的“画图3D”工具，都提供了颜色选取器和自定义颜色面板，可以直观地选择颜色并获取其十六进制码。

方法三：程序化生成 如果你需要大量颜色且希望它们均匀分布在色相环上，可以用一小段Python代码来生成：

import colorsys

def generate_colors(num_colors, saturation=0.9, value=0.9):
    """生成一组在HSV空间均匀分布的颜色"""
    colors = []
    for i in range(num_colors):
        hue = i / num_colors  # 色相在0-1之间均匀分布
        rgb = colorsys.hsv_to_rgb(hue, saturation, value)
        # 将RGB从0-1浮点数转换为0-255整数，再转为十六进制字符串
        hex_color = ''.join(f'{int(c*255):02X}' for c in rgb)
        colors.append(hex_color)
    return colors

# 生成20种颜色
my_palette = generate_colors(20)
print(my_palette)

2.2 设计两套颜色策略

为了解决框掩膜混淆，我推荐两种实战策略：

策略A：互补色对策略 为每个类别准备一对互补色或对比色，一个用于绘制边框，一个用于填充掩膜。这需要在绘图逻辑上进行更深度的定制，但效果最清晰。

策略B：优化调色板顺序策略（更简单直接） 这是我们本文重点实施的方法。我们不改变YOLOv8“一个索引对应一个颜色”的分配逻辑，而是重新排列 hexs 调色板中颜色的顺序，让相邻索引的颜色在视觉上截然不同。这样，即使框和掩膜使用了相邻索引（虽然通常相同，但系统在某些情况下可能分配相邻索引），也能很好地区分。

例如，我们可以手动将色相差异大的颜色交错排列：红、蓝、绿、紫、黄、青……而不是默认的红、粉、橙、黄绿……

下表展示了一个优化后的调色板前10色示例，并与默认顺序进行了对比：

索引	默认调色板颜色 (示例)	视觉描述	优化后调色板颜色 (示例)	视觉描述	优化思路
0	`FF3838`	亮红色	`FF3838`	亮红色	保留高辨识度红色
1	`FF9D97`	浅粉红	`2C99A8`	青色	跳至冷色系，形成强对比
2	`FF701F`	橙色	`0018EC`	蓝色	再次跳至对比色
3	`FFB21D`	橙黄色	`3DDB86`	亮绿色	使用绿色，与蓝、红均不同
4	`CFD231`	黄绿色	`8438FF`	紫色	引入紫色系
5	`48F90A`	荧光绿	`FFB21D`	橙黄色	穿插暖色
6	`92CC17`	草绿色	`00D4BB`	蓝绿色	使用另一种青色
7	`3DDB86`	亮绿色	`FF701F`	橙色	穿插暖色
8	`1A9334`	深绿色	`CB38FF`	紫红色	使用紫红色
9	`00D4BB`	蓝绿色	`92CC17`	草绿色	补入绿色系

这个表格展示了如何通过重新排序，让相邻序号的颜色在色相环上相距更远，从而最大化视觉差异。

3. 手把手修改代码：两种安全的方法

现在，我们进入实操环节。修改核心文件有两种推荐做法，推荐使用方法二，它更安全，便于维护和团队协作。

3.1 方法一：直接修改 `plotting.py` 文件（简单但不易维护）

这是最直接的方法，但会改变YOLOv8库的原始文件，未来更新库时可能会被覆盖。

备份原文件：在修改前，强烈建议复制一份 plotting.py 文件，例如重命名为 plotting.py.backup。
编辑 Colors 类：找到 __init__ 方法中的 hexs 元组。
替换颜色码：将你精心准备的新颜色码元组替换进去。例如，使用我们上面规划的部分优化颜色：

hexs = ('FF3838', '2C99A8', '0018EC', '3DDB86', '8438FF', 'FFB21D', '00D4BB', 'FF701F', 'CB38FF', '92CC17',
        'FF9D97', '48F90A', 'CFD231', '1A9334', '344593', '6473FF', '520085', 'FF95C8', 'FF37C7', '00C2FF')

这里我混合了重新排序和保留部分原颜色，你可以完全自定义。

保存文件。

提示：如果你只需要修改很少的类别颜色，比如只想让“人”这个类别的框和掩膜颜色固定为深蓝色和浅蓝色，而不动其他类别，直接修改 hexs 中对应索引的颜色即可。你需要先弄清楚你的类别ID映射关系。

3.2 方法二：创建自定义工具类并猴子补丁（推荐）

这是一种更优雅、非侵入式的方法。我们不直接修改库文件，而是在自己的项目中创建一个新的模块，在运行时“替换”掉原来的 Colors 类。

在你的项目根目录下创建一个新文件，例如 custom_plotting.py。
在新文件中编写自定义的 Colors 类，并实现猴子补丁：

# custom_plotting.py
from ultralytics.utils.plotting import Colors as OriginalColors

class CustomColors:
    """自定义颜色调色板，解决颜色混淆问题"""
    def __init__(self):
        # 定义你自己的优化颜色列表
        self.custom_hexs = ('FF3838', '2C99A8', '0018EC', '3DDB86', '8438FF', 'FFB21D',
                            '00D4BB', 'FF701F', 'CB38FF', '92CC17', 'FF9D97', '48F90A',
                            'CFD231', '1A9334', '344593', '6473FF', '520085', 'FF95C8',
                            'FF37C7', '00C2FF')
        self.palette = [self.hex2rgb(f'#{c}') for c in self.custom_hexs]
        self.n = len(self.palette)

    def __call__(self, i, bgr=False):
        c = self.palette[int(i) % self.n]
        return (c[2], c[1], c[0]) if bgr else c

    @staticmethod
    def hex2rgb(h):
        return tuple(int(h[1 + i:1 + i + 2], 16) for i in (0, 2, 4))

# 应用猴子补丁：替换原模块中的Colors类
import ultralytics.utils.plotting as plotting_module
plotting_module.Colors = CustomColors

print("[INFO] 自定义颜色调色板已加载。")

在你的主程序或推理脚本的最开头，导入这个自定义模块：

# 你的推理脚本 main.py 或 predict.py
import custom_plotting  # 这行会执行猴子补丁，替换Colors类
from ultralytics import YOLO

# 后续的模型加载和预测代码...
model = YOLO('yolov8n-seg.pt')
results = model.predict(source='your_image.jpg', save=True)

这种方法的好处是：

零污染：完全不修改YOLOv8库的源代码。
可维护：所有自定义逻辑集中在自己的文件中。
灵活切换：通过注释掉 import custom_plotting 这一行，即可轻松切换回默认颜色方案。

4. 验证与效果调试：确保修改生效

修改完成后，必须通过实际推理来验证效果。我们使用一个包含多类别、多物体的复杂场景图片进行测试，比只用一张简单的巴士图片更能说明问题。

4.1 执行推理命令

打开终端或命令行，切换到你的项目目录，运行预测命令。确保你的模型路径和图片路径正确。

# 基础命令，使用你的自定义猴子补丁
python your_predict_script.py

# 或者，如果你使用方法一直接修改了库文件，可以直接使用yolo命令
yolo predict model=path/to/your/yolov8n-seg.pt source='path/to/test_image.jpg' save=True

在 your_predict_script.py 中，你的代码应该类似这样：

import custom_plotting  # 确保这行在最前面
from ultralytics import YOLO
import cv2

model = YOLO('models/yolov8m-seg.pt')  # 使用分割模型
# 使用一张包含多物体、背景复杂的图片进行测试
results = model.predict(source='test_data/crowded_street.jpg',
                         save=True,
                         save_txt=False,
                         show_labels=True,
                         show_conf=True)

# 你也可以直接处理results对象，获取带标注的图片
for r in results:
    im_array = r.plot()  # 这会使用我们修改后的Colors类进行绘制
    cv2.imwrite('output/custom_color_result.jpg', im_array)

4.2 效果评估与迭代

生成结果图片后，仔细检查：

不同类别的物体是否使用了易于区分的颜色？
同一图片中的不同实例（尤其是相邻的同类物体）颜色是否足够不同？
边界框和其内部的掩膜填充色是否避免了混淆？这是我们的核心目标。

如果效果不理想，比如某些颜色在特定背景下依然不醒目，你需要回到 custom_plotting.py 中调整 custom_hexs 列表。这是一个迭代的过程。你可以考虑：

将容易混淆的颜色替换为对比度更高的颜色。
针对你的特定数据集（如医学图像多是灰阶，卫星图像多有绿色）定制背景互补色。
如果类别数很少（<10），可以手动为每个类别指定一对固定的框色和掩膜色，这需要更深入地重写 plot 函数中的绘图逻辑，但控制力最强。

5. 进阶技巧与注意事项

5.1 处理类别数超过调色板颜色数的情况

当检测或分割的类别超过20个时，Colors 类会通过取模运算循环使用颜色。这可能导致第21类和第1类颜色相同。如果你希望为大量类别提供更多唯一颜色，只需扩展你的 custom_hexs 元组即可。添加足够多的、视觉差异明显的颜色码。例如，使用我们之前提供的 generate_colors 函数生成50或100种颜色。

5.2 修改特定类别的颜色（固定映射）

有时，你可能希望某些重要类别（如“人”、“车”）始终使用特定的、符合行业惯例的颜色（如人用红色，车用蓝色）。这需要将类别ID固定映射到颜色索引。

你可以在自定义的 Colors 类中重写 __call__ 方法，加入一个映射字典：

class CustomColorsWithMapping:
    def __init__(self):
        self.custom_hexs = (...)  # 你的颜色列表
        self.palette = [self.hex2rgb(f'#{c}') for c in self.custom_hexs]
        self.n = len(self.palette)
        # 定义类别ID到固定颜色索引的映射 (例如 COCO数据集: 0: person, 2: car)
        self.special_mapping = {0: 0,  # 人 -> 调色板索引0 (红色)
                                2: 2}  # 车 -> 调色板索引2 (蓝色)
    def __call__(self, i, bgr=False):
        # 如果类别在特殊映射中，使用指定索引，否则使用默认的取模逻辑
        color_index = self.special_mapping.get(int(i), int(i) % self.n)
        c = self.palette[color_index]
        return (c[2], c[1], c[0]) if bgr else c