语义分割（Semantic Segmentation）只做一件事：把一张图里的每个像素都归进一个类别——这块是"路"，那块是"车"，上面那片是"天"。它不回答"图里有几辆车"，只回答"哪些像素属于车"。
你可以把它想成给小区平面图上色：规定道路必须涂灰、草地必须涂绿、楼房必须涂红。上完色之后，整张图每个点都有颜色，没有留白。但注意，如果小区里有三栋楼，它们会被涂成同一片红色，连成一块——语义分割"认类不认个"。
技术上怎么实现？模型先把图像逐步下采样，抽出"这是边缘""这是纹理""这是车灯"这类特征，再逐层上采样回原图尺寸，最后输出一张和原图等大的"类别图"：每个像素位置上，模型给出它属于各个类别的概率，取最大的那个作为结果。编码器—解码器结构加跳跃连接（把浅层的高分辨率细节直接接到深层）是这类网络的常见做法。
和相邻概念的分界
- 目标检测（Object Detection）：输出的是矩形框加类别，粒度到"框"为止。想知道车在哪，够了；想知道车压线压了多少厘米，不够。
- 语义分割：粒度到像素，但同类不分家。三辆车涂成一片，数不出数量。
- 实例分割（Instance Segmentation）：像素级 + 区分个体，车 1、车 2、车 3 各有各的轮廓。常见做法是先检测出每个目标，再在框内做分割。
- 全景分割（Panoptic Segmentation）：把"可数的东西"（车、人）和"不可数的背景"（天空、道路）统一到一张像素级结果里，相当于实例分割 + 语义分割合体。
- 可提示分割（Promptable Segmentation）：不靠固定类别表，而是你给一个点、一个框或一句话，它把对应的目标抠出来。它的强项是"任意目标、零样本"，但它本身不负责把全图每个像素都贴上类别标签。
| 概念 | 输出粒度 | 同类个体是否区分 | 类别表 |
|---|---|---|---|
| 目标检测 | 框 | 区分 | 固定 |
| 语义分割 | 像素 | 不区分 | 固定 |
| 实例分割 | 像素 | 区分 | 固定 |
| 可提示分割 | 掩码 | 由提示决定 | 不固定 |
对实际工作意味着什么
需要"面积、边界、形状"的场景，才轮到语义分割上场：自动驾驶里的可行驶区域、医学影像里的病灶范围、遥感影像里的地表覆盖分类、工业质检里的缺陷面积、文档版面分析里的表格与正文区域。如果只需要知道"有没有、大概在哪"，检测就够了，不必付像素级的成本。
代价主要在标注：逐像素涂抹很贵，一张图可能要几十分钟。因此实践中常见弱监督、半监督，或者先用可提示分割生成候选掩码、人工只做修正。评估上通常看交并比（Intersection over Union, IoU），再对各类取平均得到 mIoU——具体口径与工具实现，以官方页面为准。