Dans cet article, nous présentons une méthode d'instance segmentation sans boîte d'ancrage et en un seul passage, qui est conceptuellement simple, entièrement convolutive et peut être utilisée comme module de prédiction de masque pour l'instance segmentation en l'intégrant facilement dans la plupart des méthodes de détection préexistantes. Notre méthode, appelée PolarMask, reformule le problème d'instance segmentation comme une classification des centres d'instances et une régression de distance dense dans un système de coordonnées polaires. De plus, nous proposons deux approches efficaces pour traiter l'échantillonnage d'exemples centraux de haute qualité et l'optimisation de la régression de distance dense, respectivement, ce qui peut améliorer considérablement les performances et simplifier le processus d'entraînement. Sans aucune sophistication supplémentaire, PolarMask atteint 32,9 % en termes de masque mAP (mean Average Precision) avec un entraînement/test mono-modèle et mono-échelle sur le jeu de données COCO difficile. Pour la première fois, nous démontrons qu'un cadre d'instance segmentation beaucoup plus simple et flexible peut atteindre une précision compétitive. Nous espérons que le cadre PolarMask proposé puisse servir de base fondamentale et solide pour les tâches d'instance segmentation en un seul passage. Le code est disponible à : github.com/xieenze/PolarMask.