如何使用 Ultralytics YOLO11 进行图像分类

假设一个机器人正在观察两只猫，一只黑色，一只白色，它需要分辨出它们分别是哪一只。为此，它可以使用图像分类，这是一种计算机视觉任务，可以帮助识别图像中的对象或场景并进行分类。事实上，得益于近期人工智能 (AI)领域的进展，图像分类可用于各种应用，从动物监测到制造业和农业中的作物病害检测。

图像分类领域的最新进展之一是Ultralytics YOLO11 模型。YOLO11 在 Ultralytics 年度混合活动 YOLO Vision 2024 (YV24) 上发布，旨在轻松、精准地处理各种视觉 AI任务，包括图像分类。

本文将介绍图像分类的基础知识，讨论实际应用，并通过Ultralytics Python 软件包展示如何使用 YOLO11 进行图像分类。我们还将了解如何通过几个简单步骤在 Ultralytics HUB 上试用 YOLO11 的功能。让我们开始吧！

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

什么是图像分类？#

图像分类通过根据从已标注图像中学习到的模式，为图像分配标签或标记来完成。通过仔细分析图像的像素，计算机视觉模型可以找到与图像最匹配的类别。像 Ultralytics YOLO11 这样的可靠模型可以无缝完成这一过程。YOLO11 的模型架构使其几乎能够即时处理图像或视频帧，非常适合需要快速、精准图像分类的应用。

要真正理解图像分类的应用范围，最好将其与目标检测等其他任务区分开来。图像分类会为整张图像添加标签，而目标检测则会识别图像中的每个对象并确定其位置。

图 2。图像分类、目标检测和图像分割的比较。

我们来考虑一张长颈鹿的图像。在图像分类中，模型可能会根据图像的整体内容，简单地将整张图像标记为长颈鹿。不过，在目标检测中，模型不会止步于识别长颈鹿，还会在长颈鹿周围放置边界框，精确标出它在图像中的位置。

现在，想象一下长颈鹿站在稀树草原的一棵树旁，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。但使用目标检测时，模型会分别识别每个元素，包括长颈鹿、树和其他动物，并为每个对象创建各自的边界框。

Ultralytics YOLO11 图像分类应用#

Ultralytics YOLO11 模型在图像分类方面的准确性和性能使其适用于众多行业。下面来了解 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#

图像分类可以帮助简化农业和种植业中的许多工作。具体来说，使用 YOLO11 等图像分类模型，农民可以持续监测作物的健康状况，高精度地检测严重病害并识别虫害。

下面来看看它是如何运作的：

• 图像采集：物联网 (IoT) 设备（如摄像头和无人机）可以部署在田间各处，从不同角度和位置实时采集作物图像。
• 处理：根据可用资源和连接情况，图像可以通过边缘计算在现场处理，也可以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。常见类别可能包括健康、患病、受虫害侵染或营养缺乏，从而帮助定位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 可以提供有关作物健康指标的洞察，帮助农民发现疾病的早期迹象、识别虫害高发区域或发现营养缺乏问题。
• 基于信息进行决策：借助这些洞察，农民可以针对灌溉、施肥和害虫防治制定精准决策，仅在最需要的地方使用资源。

图 3。从健康到感染的不同叶片类别示例。

Ultralytics YOLO11 在零售业中的图像分类#

图像分类可以显著改善零售购物体验，使其更加个性化且易于使用。零售商可以使用自定义训练的计算机视觉模型识别库存中的商品，并将这一功能集成到移动应用或网站中。之后，客户只需上传照片即可搜索商品，让购物更快捷、更方便。

客户将图像上传到视觉搜索系统后，在搜索结果显示之前，系统会在后台完成多个步骤。

首先，可以使用目标检测找出图像中的主要物品，例如识别一件衣服或一件家具，并将其与背景分离。接下来，可以使用图像分类进一步对每件物品进行分类，识别它是夹克、衬衫、沙发还是桌子。

借助这些信息，系统可以调出可购买的相似商品，这对于寻找仅靠文字难以描述的独特或时尚商品尤其有帮助。同样的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任务。

图 4。基于图像分类的视觉搜索平台运行示例。

使用 Ultralytics YOLO11 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和分析数千张照片。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。摄像头可以安装在自然栖息地中拍摄照片。随后，视觉 AI 模型可以分析这些照片，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等。

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来帮助这一领域。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) 开发了一个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和行为，而这些活动和行为可能预示着偷猎或栖息地丧失等威胁。

图 5. Ultralytics YOLO11 预测一只狗可能所属的品种。

使用 Ultralytics YOLO11 模型尝试图像分类#

现在我们已经介绍了图像分类的概念并探索了它的一些应用，下面来看看如何使用全新的 YOLO11 模型尝试图像分类。有两种简单的入门方式：使用Ultralytics Python 软件包，或通过Ultralytics HUB。我们将分别介绍这两种方式。

使用 Ultralytics YOLO11 运行推理#

要开始使用 Ultralytics Python 软件包，只需通过 pip、conda 或 Docker 安装它。如果遇到问题，请查看我们的常见问题指南，获取有用的故障排除技巧。

安装软件包后，你可以使用以下代码加载 Ultralytics YOLO11 图像分类模型的一个变体，并对图像运行推理。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。你可以使用任意图像进行尝试！

图 6. 使用 Ultralytics YOLO11 模型运行推理。

训练自定义 Ultralytics YOLO11 分类模型#

你还可以使用同一个 Python 软件包训练自定义的 Ultralytics YOLO11 分类模型。自定义训练可以让你根据特定需求对 YOLO11 模型进行微调。例如，如果你正在开发一个用于区分不同猫品种的应用，就可以专门针对这一目的对 YOLO11 模型进行自定义训练。

下面的代码展示了如何加载和训练 Ultralytics YOLO11 图像分类模型。它允许你迁移预训练权重，利用现有模型的知识来提升自有模型的性能。你可以指定一个数据集，例如 "fashion-mnist" 数据集。这是一个广为人知的服装物品灰度图像集合（衬衫、裤子、鞋子等）。在此数据集上训练模型，可以教会模型识别不同的服装类别。你可以将 "fashion-mnist" 换成任何符合项目需求的数据集，例如猫的品种或植物类型数据集。

图 7. 自定义训练用于图像分类的 Ultralytics YOLO11 模型。

在 Ultralytics HUB 上体验 YOLO11#

虽然使用 Ultralytics 软件包很简单，但确实需要具备一些 Python 知识。如果你希望使用更适合初学者的选项，可以使用 Ultralytics HUB。该平台旨在让不同 YOLO 模型的训练和部署变得简单易用。开始使用前，你需要创建账户。

登录后，进入“Models”部分，选择用于图像分类的 Ultralytics YOLO11 模型。你将看到一系列可用的模型尺寸：nano、small、medium、large 和 extra-large。选择模型后，你可以在“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。

要点总结#

YOLO11 提供强大的图像分类功能，为各行各业带来了新的可能性。从改善农业中的作物监测、提升零售业的商品搜索，到支持野生动物保护，YOLO11 的速度和准确性使其非常适合多种应用。借助 Ultralytics Python 软件包进行自定义训练，或在 Ultralytics HUB 上通过用户友好的无代码方式进行设置，用户可以轻松将 YOLO11 集成到工作流程中。随着越来越多的行业采用 AI 解决方案，YOLO11 提供了灵活、高性能的工具，助力创新和实用进步。

想了解更多，请访问我们的 GitHub 代码仓库，并加入我们的社区。你还可以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。🚀