目标物体是纸箱，则判断图片中是否有纸箱（模型不会识别纸箱以外的物体），有则标出每个纸箱的轮廓，并输出“纸箱”标签代表类别（标签在对图片标记特征时已制定好），没有则不会给出任何结果。
目标物体是肥皂、牙刷以及洗发水等多类物品，则判断图片中是否有这些物品，有则标出每个物品的轮廓并给对应的标签进行分类，没有则不会给出任何结果。
拆码垛： 适用于从托盘上按要求拆卸纸箱、周转箱、麻袋等物体，并放置于托盘或相关设备上（如破袋设备、传送带等）的场景。
麻袋拆码垛项目中分割麻袋¶
工件上下料： 适用于汽车、钢铁、机械等行业中复杂工件、结构件、不规则零部件等物体的搬运抓取场景。
工件上下料项目中分割工件¶
货品拣选： 适用于播种、摘果等各种电商仓库中的常见拣货场景。支持各种货品，包括充气袋装、透明包装、瓶装铝罐、不规则的货品（如锅碗瓢盆）等。
货品拣选项目中分割货品¶
快递包裹供包： 支持快递软包、邮政信封、快递纸箱、泡沫信封等各种常见包裹，同时可支持各种包裹异形件。
快递包裹拣选项目中分割快递纸箱和包裹¶
基于深度学习的实例分割，只需用户提供足够多的实际应用场景中物体图片供实例分割模型学习，并标注出图片中每个物体的轮廓和类别，实例分割模型就能够自己学会如何分割。 深度学习实例分割的应用流程如下：
采集训练所需数据：用相机拍摄足够多相关物体的图片。
标注数据：在每张采集的图片上标出每个物体的轮廓和类别。
训练模型：把前两个步骤得到的标注后的数据输入到实例分割模型学习。
使用模型进行预测：将训练好的模型用到项目中，发挥其功能。
