使用Ultralytics YOLO11构建人工智能驱动的无人机应用

实体店购物和在线购物可能看起来很相似，但它们依赖于不同的物流。商店需要补货，而在线订单则依赖于送货上门。由于技术进步，这两种购物体验都在并行地被重塑。

例如，交付领域正在发生重大转变。人工智能驱动的无人机正在改变产品到达我们家的方式。预计在未来十年内，这些智能无人机将处理大约 8.08 亿次交付，将天空变成日常商业的最新交付路线。

送货无人机使用人工智能（AI）和计算机视觉（AI 的一个子领域，用于分析视觉数据）来导航和绕过障碍物。计算机视觉模型，如 Ultralytics YOLO11等计算机视觉模型可以帮助无人机实时detect 和track 物体，使其能够更好地了解周围环境并与之互动。

​

像美团和 DJI 这样的公司已经将计算机视觉集成到他们的无人机中。事实上，无人机在各个行业的迅速普及已使人工智能无人机市场有望在 2031 年达到 2069 亿美元。 

在本文中，我们将仔细研究Ultralytics YOLO11 等计算机视觉模型如何用于无人机送货等基于无人机的应用。我们将通过一个示例来展示这些技术在实际应用场景中使用之前如何进行开发和测试。

在无人机上使用Ultralytics YOLO11 detect 房屋

送货无人机的一个关键部分是在飞行过程中detect 房屋的能力。为了重现这种能力并了解其工作原理，我们将训练一个计算机视觉模型，以识别无人机航拍镜头中的房屋。为此，我们将对YOLO11 进行定制训练，这包括使用标注示例对预训练的YOLO11 模型进行微调，以识别和detect 房屋。

为此，我们需要来自无人机的高质量视频数据。有趣的是，即使没有真正的无人机，我们仍然可以生成逼真的航拍镜头。让我们来看看如何操作。

使用Google Earth Studio 创建人工无人机镜头

Google 地球工作室是一款基于网络的动画工具，用户可使用Google 地球的卫星和三维图像创建静态和动画内容。我们可以用它来制作逼真的航拍镜头。

第一步是打开Google Earth Studio并创建一个项目，如下图所示。 

您需要一个Google 帐户才能登录。

​

登录后，您可以为人工无人机视频选择一个地点。使用页面左上角的搜索栏可以搜索地点。在本教程中，我们将选择加拿大。此外，由于我们要训练一个模型来detect 房屋，所以我们的无人机视频应该有房屋的鸟瞰图。

​

接下来，我们可以设置第一个和最后一个时间帧来捕捉人工无人机镜头的运动。选择无人机镜头的起始位置后，使用蓝色菱形设置第一帧，如下所示。 

​

接下来，我们可以选择最后一帧来确定无人机的目的地。这将帮助我们为无人机镜头创建移动效果。为此，将条（在下面突出显示）向右滑动到特定时间，以便为无人机镜头创建移动效果。再次使用蓝色菱形设置最后一个点。

​

最后，您可以保存此项目，然后点击页面右上角的红色“渲染”按钮进行渲染。这将为您提供无人机拍摄的最终视频输出，成功创建人工无人机视频素材。

​

如何标注无人机数据？

既然我们已经创建了人工无人机视频素材，下一步是标记或注释其中的房屋。我们还需要分离视频的各个帧。 

首先，我们将安装 LabelImg。LabelImg 是一个开源图像标注工具。您可以使用 pip 包管理器直接从终端安装它，方法是运行以下命令：“pip install labelImg”。

安装完成后，您可以使用终端或命令提示符中的 ‘labelImg’ 命令来运行该工具。这将带您进入如下所示的页面。

​

同时，我们可以使用在线视频转图像转换器或名为 FFmpeg 的工具将视频分割成帧。FFmpeg 是一组用于处理多媒体内容（如音频、视频、字幕和相关元数据）的库和工具。 

您可以使用以下终端命令来分离无人机拍摄视频的每一帧：

将无人机拍摄的画面分离出来后，我们就可以开始标注其中的物体（房屋）了。通过 LabelImg 工具导航到图像文件夹，我们就可以为每张图像中的对象贴上标签。确保保存并验证每张标注过的图像。注释完图像后，我们就可以使用这些数据训练YOLO11 了。

​

YOLO11 模型训练工作流程

在开始训练YOLO11 之前，我们先整理一下图像和标签。首先创建两个文件夹：一个名为 "train"，另一个名为 "valid"。将图像分放在这两个文件夹中。在每个文件夹中，为图像和相应的标签文件（文本格式）创建单独的子文件夹，如下图所示。

​

然后，我们就可以开始训练YOLO11 模型了：

• 第一步：安装Ultralytics Python 软件包。在终端运行 "pip installultralytics"命令即可。如果遇到任何安装问题，请查看我们的故障排除指南，其中有帮助你解决问题的技巧和窍门。
  ‍
• 第 2 步：成功安装软件包后，创建一个名为 "datayaml"的文件。这是一个对训练模型至关重要的配置文件。在 datayaml 文件中，请包含以下信息：训练数据集的路径、验证数据集的路径、类的数量 (nc) 和类名列表 (names)，如下所示。

​

• 第 3 步：配置好 "datayaml"文件后，就可以使用以下Python 代码开始训练模型了。该代码将加载预训练的YOLO11 模型，并根据您的配置对其进行训练。

from ultralytics import YOLO

# Load a YOLO11 model
model = YOLO("yolo11n.pt")  # choose your model, e.g., YOLO11 nano

# Train the model with your data and settings
model.train(data="data.yaml", epochs=100, imgsz=640)

• 第 4 步： 训练完成后，您应该会看到与下图类似的输出结果。这意味着您已经成功训练了用于无人机应用的YOLO11 模型。

​

在无人机上使用Ultralytics YOLO11 进行预测

现在，经过训练的YOLO11 模型可以通过一个称为推断的过程进行预测。推理是指根据模型在训练过程中学到的知识来分析新的、未见过的数据。在这种情况下，模型可以通过在图像或视频中绘制边界框来查找和标注特定的物体（如房屋）。

要运行预测，您可以使用以下Python 代码在输入视频上使用训练有素的YOLO11 模型。在本例中，我们将使用与训练时相同的人工无人机视频，但如果您愿意，也可以使用任何其他视频文件。

# Import library
from ultralytics import YOLO

# Load the YOLO model
model = YOLO("best.pt")  # Choose your custom-trained model

# Predict the results from the model
results = model.predict(source="path/to/original/video.mp4", show=True, save=True)

运行此代码后，包含预测和边界框的输出视频文件将被保存。

​

在无人机上集成Ultralytics YOLO11 ，用于各种应用

为无人机送货包裹检测房屋只是计算机视觉和YOLO11 应用的一个例子。以下是计算机视觉、YOLO11 和无人机在现实世界中的其他一些应用：

• 监控和安全： 人工智能无人机可用于实时监控大片区域。它们可以detect 入侵、track 可疑活动、加强国家边境和大型公共活动的安全。 

• 灾难响应以及搜索和救援： 配备热像仪和目标检测的无人机可以帮助定位灾区幸存者。 它们还可以评估损失并运送紧急物资。

• 农业和精准农业：集成了计算机视觉技术的无人机可用于分析作物健康状况和detect 疾病，帮助农民提高产量，同时降低成本。 

• 测绘和地理空间分析： 通过收集高分辨率3D地图，AI无人机可以协助城市规划和土地调查。与传统方法相比，它们提供更快、更准确的地形评估。 

主要要点

由计算机视觉驱动的人工智能无人机正在改变许多行业，从递送包裹到帮助应急和农业生产。在本指南中，我们将介绍如何创建人工无人机视频、标注其中的物体、训练YOLO11 并用它来detect 房屋。

在无人机拍摄的画面中应用物体检测技术，可以让无人机变得更加智能，使其能够实时自动识别和track 物体。随着技术的进步，人工智能驱动的无人机可能会在加快送货速度、提高安全性和帮助灾难应对方面发挥更大的作用。

加入我们的社区，并探索我们的GitHub 仓库，以了解更多关于视觉 AI 的信息，并查看我们的许可选项，以启动您的计算机视觉项目。对制造业中的 AI或汽车行业的计算机视觉等创新感兴趣？访问我们的解决方案页面以了解更多信息。