如何使用 Ultralytics YOLO11 进行图像分类

假设一个机器人看到两只猫，一只是黑色的，一只是白色的，它需要分辨出哪只是哪只。为此，机器人可以使用图像分类，这是一项帮助识别和分类图像中物体或场景的计算机视觉任务。事实上，得益于人工智能 (AI) 的最新进展，图像分类已可用于各种应用，从动物监测到制造业和农业中的作物病害检测。

图像分类领域的一项重要进展是 Ultralytics YOLO11 模型。YOLO11 在 Ultralytics 年度混合活动 YOLO Vision 2024 (YV24) 上发布，YOLO11 旨在轻松、精准地应对包括图像分类在内的各种视觉 AI 任务。（YOLO11 此后已由支持相同任务的 Ultralytics YOLO26 取代。）

本文将介绍图像分类的基础知识，探讨实际应用，并展示如何通过 Ultralytics Python 软件包使用 YOLO11进行图像分类。我们还将介绍如何通过几个简单步骤，在 Ultralytics HUB（现为 Ultralytics Platform）上试用 YOLO11 的功能。现在就开始吧！

图 1. 使用 Ultralytics YOLO11 对波斯猫进行分类的示例。

什么是图像分类？#

图像分类通过根据先前已标注图像中学到的模式，为图像分配标签来实现。计算机视觉模型会仔细分析图像的像素，从而找到最匹配的类别。Ultralytics YOLO11 等可靠模型能够高效完成这一过程。YOLO11 的模型架构能够几乎即时处理图像或视频帧，因此非常适合需要快速、准确图像分类的应用。

要真正了解图像分类的适用范围，可以将它与目标检测等其他任务区分开来。图像分类为整张图像贴上标签，而目标检测则会识别并定位图像中的每个对象。

图 2。图像分类、目标检测和图像分割的对比。

以一张长颈鹿的图片为例。在图像分类任务中，模型可能会根据图片的整体内容，将整张图片简单标记为“长颈鹿”。然而，在目标检测任务中，模型不仅会识别出长颈鹿，还会在长颈鹿周围绘制边界框，标出它在图像中的确切位置。

现在，想象一只长颈鹿站在稀树草原的一棵树旁边，周围还有其他动物。图像分类模型可能会将整个场景标记为稀树草原或野生动物。而目标检测模型会逐一识别每个元素，包括长颈鹿、树和其他动物，并为每个对象绘制各自的边界框。

Ultralytics YOLO11 图像分类的应用#

Ultralytics YOLO11 模型在图像分类方面的精度和性能，使其适用于众多行业。让我们来看看 YOLO11 在图像分类中的一些主要应用。

Ultralytics YOLO11 在农业中的图像分类#

图像分类有助于简化农业行业中的许多工作。具体来说，农民可以使用 YOLO11 等图像分类模型，持续监测作物健康状况、高精度检测严重病害并识别虫害。

下面来看看它的工作方式：

• 图像采集：可以部署摄像头和无人机等物联网 (IoT) 设备，从田地的不同地点和角度实时采集作物图像。
• 处理：根据可用资源和网络连接情况，可以通过边缘计算在本地处理图像，也可以将图像上传到云端进行更深入的分析。
• 使用 YOLO11 进行图像分类：YOLO11 模型可以分析这些图像，对各种作物状况进行分类。常见类别包括健康、患病、遭受虫害或缺乏养分，帮助你准确找出影响田间不同区域的具体问题。
• 生成洞察：根据分类结果，Ultralytics YOLO11 可以提供作物健康指标方面的洞察，帮助农户及早发现病害迹象、确定虫害热点，或发现养分缺乏问题。
• 基于洞察做出决策：借助这些洞察，农户可以有针对性地决定灌溉、施肥和虫害防治措施，只在最需要的地方投入资源。

图 3。从健康到感染的不同类别叶片示例。

Ultralytics YOLO11 在零售领域的图像分类#

图像分类可以显著改善零售购物体验，让购物更加个性化、便捷。零售商可以使用定制训练的计算机视觉模型识别库存商品，并将这项功能集成到移动应用或网站中。顾客只需上传照片即可搜索商品，让购物更快捷、更方便。

顾客将图像上传到视觉搜索系统后，在搜索结果显示之前，系统会在后台完成一系列处理。

首先，可以使用目标检测找出图像中的主要物品，例如识别一件衣物或一件家具，并将其与背景分离。接下来，可以使用图像分类进一步划分每件物品的类别，识别它是夹克、衬衫、沙发还是桌子。

利用这些信息，系统可以显示可供购买的相似商品，这对于寻找难以仅用文字描述的独特或时髦商品尤其有帮助。同一技术还可以通过自动识别和分类商品，简化库存管理等其他零售工作。

图 4。基于图像分类的视觉搜索平台运行示例。

使用 Ultralytics YOLO11 图像分类进行野生动物监测#

传统上，监测野生动物是一项繁琐的工作，需要许多人手动整理并分析数千张照片。借助 Ultralytics YOLO11 等计算机视觉模型，研究人员可以更快地自动监测动物。研究人员可以在自然栖息地架设相机拍摄照片，然后使用视觉 AI 模型分析照片，并对其中的动物（如果有）进行分类。这样的系统可以帮助研究人员研究和追踪动物种群及其迁徙模式。

AI 和 Ultralytics YOLO11 等计算机视觉模型还可以通过简化濒危物种分类流程，在这一领域发挥作用。通过识别动物可能所属的物种或品种类别，这些模型可以为研究人员提供重要数据。例如，塔斯马尼亚大学（UTAS）开发了一套基于图像分类的系统，用于监测不同的塔斯马尼亚野生动物。模型的预测结果可以帮助科学家和研究人员持续关注动物的活动与行为，从中发现偷猎或栖息地丧失等威胁的迹象。

图 5。Ultralytics YOLO11 预测一只狗可能所属的品种。

使用 Ultralytics YOLO11 模型体验图像分类#

了解图像分类的含义并探索了它的一些应用后，接下来看看如何使用 YOLO11 尝试图像分类。你可以通过两种简单的方式开始：使用 Ultralytics Python 包，或通过 Ultralytics HUB 操作。我们将逐一介绍这两种方式。

使用 Ultralytics YOLO11 运行推理#

要开始使用 Ultralytics Python 包，只需通过 pip、conda 或 Docker 安装该包。如果遇到问题，可以查看常见问题指南，获取实用的故障排查建议。

安装软件包后，你可以使用以下代码加载一个 Ultralytics YOLO11 图像分类模型变体，并在图像上运行推理。运行推理是指使用训练好的模型对新的、未见过的数据进行预测。你可以试着用自己选择的图像进行推理！

图 6。使用 Ultralytics YOLO11 模型运行推理。

训练自定义 Ultralytics YOLO11 分类模型#

你也可以使用同一个 Python 包训练自定义的 Ultralytics YOLO11 分类模型。自定义训练可以让你根据具体需求对 YOLO11 模型进行微调。例如，如果你正在开发一款用于分类不同猫品种的应用，就可以专门为此自定义训练 YOLO11 分类器。

下面的代码展示了如何加载和训练 Ultralytics YOLO11 图像分类模型。你可以迁移预训练权重，利用已有模型中的知识来提升自己的模型性能。你可以指定一个数据集，例如“fashion-mnist”数据集。它是一个知名数据集，包含服装物品（衬衫、裤子、鞋子等）的灰度图像。使用这个数据集训练模型，可以让模型学会识别不同的服装类别。你可以将“fashion-mnist”替换为任何适合项目的数据集，例如猫的品种或植物的类型。

图 7. 为图像分类自定义训练 Ultralytics YOLO11 模型。

在 Ultralytics HUB 上试用 YOLO11#

使用 Ultralytics 包很简单，但需要具备一些 Python 知识。如果你想要更适合初学者的选择，可以使用 Ultralytics HUB。这个平台旨在让不同 YOLO 模型的训练和部署变得简单易用。要开始使用，你需要先创建一个账户。

登录后，前往“Models”部分，选择用于图像分类的 Ultralytics YOLO11 模型。你可以选择多种模型尺寸：nano、small、medium、large 和 extra-large。选择模型后，可以在“Preview”部分上传图像。图像处理完成后，预测结果会显示在页面左侧。

图 8。使用 Ultralytics HUB 运行推理。

要点#

YOLO11 提供强大的图像分类功能，为各行各业带来新的可能。从改善农业作物监测、优化零售商品搜索，到支持野生动物保护，YOLO11 的速度和准确性使其适用于各种应用场景。用户可以通过 Ultralytics Python 包进行自定义训练，也可以在 Ultralytics HUB 上使用易用的无代码设置，轻松将 YOLO11 集成到工作流中。随着越来越多的行业采用 AI，YOLO11 为图像分类提供了一种灵活、快速的选择。

想了解更多，请访问我们的 GitHub 仓库，并加入我们的社区。在我们的解决方案页面上，探索 AI 在自动驾驶汽车和医疗保健领域的应用。