yolov8 默认不支持仅关闭边界框（`boxes=false`）却保留标签和置信度的组合参数；本文提供一种可靠、可复用的后处理方案，通过手动绘制掩码区域并叠加带置信度的类别标签，实现“无框有标”的可视化效果。
在使用 Ultralytics YOLOv8 进行实例分割（segmentation）任务时，常需在结果图中突出语义掩码本身，同时避免边界框干扰视觉焦点——例如用于医疗图像分析、遥感解译或 UI 原型标注等场景。遗憾的是，YOLOv8 的 predict() 接口目前不支持 boxes=False 与 show_labels=True / show_conf=True 同时生效：当禁用 boxes 后，底层绘图逻辑会跳过整个标注渲染流程（包括标签文本），导致即使显式设置 labels=True 或 probs=True 也会触发配置校验异常（SyntaxError: Unknown arguments）。
因此，推荐采用后处理方式自主渲染：利用预测结果中的 masks（布尔掩码张量）和 boxes（含 cls 和 conf）信息，在原始图像上逐实例绘制彩色掩码区域，并在合适位置（如检测框左上角）添加白色半透明背景的标签文本。以下是完整、健壮的实现代码：
import numpy as np
import cv2
import matplotlib.pyplot as plt
from PIL import Image
from torchvision.transforms import functional as F
# 假设已执行：result = model.predict(..., conf=0.3)
prediction_results = result[0]
image_path = "{pathToImage}.png"
# 加载并预处理原始图像
original_image = Image.open(image_path).convert("RGB")
display_image = np.array(original_image) # shape: (H, W, 3), dtype: uint8
# 若存在分割掩码，则进行可视化
if prediction_results.masks is not None and len(prediction_results.masks.data) > 0:
masks = prediction_results.masks.data.cpu() # [N, H_mask, W_mask], float32
boxes = prediction_results.boxes.xyxy.cpu().numpy() # [N, 4]
classes = prediction_results.boxes.cls.cpu().int().numpy() # [N]
confs = prediction_results.boxes.conf.cpu().numpy() # [N]
names = prediction_results.names # dict: {0:'A', 1:'B', ...}
# 为每个实例分配唯一颜色（此处用红色高亮，可扩展为 colormap）
for i in range(len(masks)):
# 将掩码缩放到原图尺寸（双线性插值 + 二值化）
h, w = display_image.shape[:2]
resized_mask = F.resize(masks[i].unsqueeze(0), (h, w), antialias=True).squeeze(0)
binary_mask = (resized_mask > 0.5).numpy() # 转为 bool 掩码
# 在 RGB 图像上叠加红色高亮（BGR 顺序：cv2 使用 BGR）
display_image[binary_mask, 0] = np.clip(display_image[binary_mask, 0] * 0.5 + 255 * 0.5, 0, 255) # Blue
display_image[binary_mask, 1] = np.clip(display_image[binary_mask, 1] * 0.5 + 0 * 0.5, 0, 255) # Green
display_image[binary_mask, 2] = np.clip(display_image[binary_mask, 2] * 0.5 + 0 * 0.5, 0, 255) # Red
# 添加标签文本：位置取 bounding box 左上角，字体大小适配图像尺度
x1, y1, x2, y2 = boxes[i].astype(int)
label = f"{names[int(classes[i])]}: {confs[i]:.2f}"
# 绘制带背景的文本（提升可读性）
(text_w, text_h), baseline = cv2.getTextSize(label, cv2.FONT_HERSHEY_SIMPLEX, 0.6, 2)
cv2.rectangle(display_image, (x1, y1 - text_h - 5), (x1 + text_w, y1), (0, 0, 0), -1) # 黑色背景
cv2.putText(display_image, label, (x1, y1 - 2), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (255, 255, 255), 2)
else:
print("⚠️ Warning: No segmentation masks detected.")
# 显示结果
plt.figure(figsize=(10, 8))
plt.imshow(display_image)
plt.axis('off')
plt.title("YOLOv8 Segmentation — Boxes Hidden, Labels & Confidence Preserved", fontsize=14, pad=15)
plt.tight_layout()
plt.show()✅ 关键说明与注意事项：
- 掩码缩放必须精确：使用 torchvision.transforms.functional.resize(..., antialias=True) 可避免插值失真，再通过 > 0.5 二值化确保掩码边缘清晰；
- 颜色叠加建议半透明融合：示例中采用加权混合（0.5 × original + 0.5 × color），避免纯色覆盖细节，实际项目中可替换为 HSV 色调增强或自定义 colormap；
- 标签位置更优选择：若 xyxy 坐标因缩放偏移，可改用掩码质心（cv2.moments()）定位文本，提升鲁棒性；
- 批量处理扩展性：该逻辑可轻松封装为函数，支持 result 列表遍历，适用于视频帧或文件夹批量推理；
- 性能提示：对高分辨率图像，可先将掩码缩放到中间尺寸渲染，再 resize 回原图，兼顾速度与精度。
此方法绕过了 YOLOv8 当前 API 的限制，完全可控、可定制，且与模型训练解耦，是生产环境中稳定落地的首选实践。
