In dieser Arbeit stellen wir eine Methode zur Instanzsegmentierung vor, die ohne Anchor-Boxen auskommt, einstufig ist und konzeptionell einfach, vollständig faltungs-basiert und als Maske-Vorhersagemodul für Instanzsegmentierung verwendet werden kann, indem es leicht in die meisten standardmäßigen Detektionsmethoden eingebettet wird. Unsere Methode, PolarMask genannt, formuliert das Problem der Instanzsegmentierung als Klassifikation von Instanzzentren und dichte Distanzregression in einem Polarkoordinatensystem. Darüber hinaus schlagen wir zwei effektive Ansätze vor, um hochwertige Zentrumsbeispiele zu selektieren und die Optimierung für die dichte Distanzregression durchzuführen, was die Leistung erheblich verbessern und den Trainingsprozess vereinfachen kann. Ohne zusätzliche Verfeinerungen erreicht PolarMask auf dem anspruchsvollen COCO-Datensatz mit einmodelliger und einskalierte Trainung/Tests 32,9 % im Mask-mAP. Zum ersten Mal zeigen wir, dass ein viel einfacheres und flexibleres Framework für Instanzsegmentierung wettbewerbsfähige Genauigkeit erreichen kann. Wir hoffen, dass das vorgeschlagene PolarMask-Framework als grundlegendes und robustes Baseline-Modell für einstufige Instanzsegmentierungsaufgaben dienen kann. Der Quellcode ist unter folgender Adresse verfügbar: github.com/xieenze/PolarMask.