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，一只黑猫一只白猫，它需要分清哪只是哪只。为了做到这一点，它可以使用 图像分类，这是一种 计算机视觉任务，有助于识别和分类图像中的对象或场景。事实上，得益于 人工智能 (AI) 的最新进展，图像分类 已广泛应用于从 动物监测 到制造业以及利用 作物病害检测 进行农业生产等各种应用场景中。

One of the latest advancements in image classification is the Ultralytics YOLO11 model. Launched at Ultralytics' annual hybrid event, YOLO Vision 2024 (YV24), YOLO11 is designed to tackle a wide variety of vision AI tasks, including image classification, with ease and precision.

In this article, we’ll explore the fundamentals of image classification, discuss real-world applications, and show you how you can use YOLO11 for image classification through the Ultralytics Python package. We’ll also take a look at how you can try out YOLO11’s capabilities on the Ultralytics HUB in a few easy steps. Let’s get started!

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

Link to this section什么是图像分类？#

图像分类的工作原理是根据从先前标记图像中学到的模式，为图像 分配标签 或标记。通过仔细分析图像的像素，计算机视觉模型 可以找到与图像的最佳匹配项。像 YOLO11 这样可靠的模型可以无缝处理此过程。YOLO11 的模型架构使得几乎可以瞬间处理图像或视频帧，使其非常适合需要快速、准确图像分类的应用。

为了真正理解图像分类的范围，将其与其他任务（如 目标检测）区分开来很有帮助。图像分类是对整张图像进行标注，而目标检测则是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比较。

让我们看一张长颈鹿的照片。在 图像分类 中，模型可能会根据整体内容将整张图像简单地标记为长颈鹿。但是，通过 目标检测，模型不会止步于识别长颈鹿；它还会围绕长颈鹿放置一个边界框，精确定位其在图像中的确切位置。

现在，想象一下这只长颈鹿站在大草原上一棵树旁，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大草原或野生动物。但是，通过目标检测，模型会单独识别每个元素，识别出长颈鹿、树木和其他动物，并为每一个元素加上各自的边界框。

Link to this sectionYOLO11 图像分类的应用#

Ultralytics YOLO11 模型在图像分类方面的准确性和 性能 使其在广泛的行业中非常有用。让我们探讨 YOLO11 在图像分类中的一些关键应用。

Link to this sectionYOLO11 在农业图像分类中的应用#

图像分类有助于简化 农业 和农耕行业的许多功能。具体来说，使用像 YOLO11 这样的图像分类模型，农民可以持续监测 作物 的健康状况，以高精度检测严重病害并识别任何 害虫侵扰。

以下是其工作原理：

• 图像采集：物联网 (IoT) 设备，例如 摄像头和无人机，可以被 部署 以从田间的不同角度和位置实时捕获作物图像。
• 处理：根据可用资源和连接情况，图像可以通过 边缘计算 在现场进行处理，或者上传到 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。常见的类别可能包括健康、患病、虫害或营养缺乏，从而帮助精确定位影响田间不同区域的具体问题。
• 洞察生成：基于这些分类，YOLO11 提供有关作物健康指标的洞察， 帮助农民 尽早发现病害迹象，识别害虫热点，或发现 营养缺乏 问题。
• 明智的决策：通过这些洞察，农民可以对灌溉、施肥和病虫害防治做出有针对性的决策，仅在最需要的地方投入资源。

图 3。不同叶片类别的示例，从健康到受感染。

Link to this sectionYOLO11 在零售业图像分类中的应用#

图像分类可以显着改善 零售购物 体验，使其更加个性化和用户友好。零售商 可以使用 自定义训练的 计算机视觉模型来识别其库存中的产品，并将此功能集成到其移动应用程序或网站中。客户只需上传照片即可搜索产品，从而使购物更快捷、更方便。

当客户将图像上传到视觉搜索系统后，在显示搜索结果之前，后台会进行一系列的处理。

首先，使用 目标检测 来挑选图像中的主要项目，例如识别一件衣服或一件家具并将其与背景分开。接下来，使用图像分类来进一步对每个项目进行分类，识别它是夹克、衬衫、沙发还是桌子。

有了这些信息，系统可以调出可供购买的 类似产品，这对于寻找仅用文字难以描述的独特或时尚商品特别有帮助。同样的技术还可以帮助简化其他零售任务，例如 库存管理，通过自动识别和分类物品。

图 4。运行中的基于图像分类的视觉搜索平台。

Link to this section使用 YOLO11 图像分类进行野生动物监测#

传统上，监测 野外动物 是一项繁琐的任务，需要许多人手动分类和分析数千张照片。借助像 YOLO11 这样的计算机视觉模型，研究人员 可以以更快的速度自动监测动物。摄像头 可以放置在自然栖息地中拍摄照片。然后，视觉 AI 模型可用于分析这些照片并对其内部的动物进行分类（如果有的话）。这样的系统可以帮助研究人员研究和 追踪 动物种群、它们的 迁徙模式 等。

AI 和计算机视觉模型（如 YOLO11）在这一领域提供帮助的另一种方式是简化对濒危物种分类的过程。通过识别动物可能所属的潜在物种或品种类别，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) 开发了一种基于图像分类的系统来监测各种 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密切关注动物的活动和行为，这可能预示着盗猎或 栖息地丧失 等威胁。

图 5. YOLO11 预测狗可能所属的品种。

Link to this section使用 YOLO11 模型尝试图像分类#

既然我们已经讨论了什么是图像分类并探讨了一些应用场景，让我们来看看你如何使用新的 YOLO11 模型进行图像分类。有两种简单的方法可以上手：使用 Ultralytics Python 软件包 或通过 Ultralytics HUB。我们将演示这两种方案。

Link to this section使用 YOLO11 运行推理#

要开始使用 Ultralytics Python 软件包，只需使用 pip、conda 或 Docker 安装它 即可。如果遇到任何问题，请查看我们的 常见问题指南 以获取有用的 故障排除提示。

安装软件包后，你可以使用以下代码加载 YOLO11 图像分类模型的变体并在图像上 运行推理。运行推理意味着使用训练过的模型对新的、未见过的数据进行预测。你可以尝试使用你选择的图像进行操作！

图 6. 使用 YOLO11 模型运行推理。

Link to this section训练自定义 YOLO11 分类模型#

You can also use the same Python package to train a custom YOLO11 classification model. Custom training makes it possible for you to fine-tune a YOLO11 model for your specific needs. For example, if you’re developing an app to classify different cat breeds, you can custom-train a YOLO11 model just for that purpose.

下面的代码展示了如何加载和训练 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高你自己模型的性能。你可以指定一个 数据集，例如“fashion-mnist”数据集，这是一组众所周知的服装项目（衬衫、裤子、鞋子等）的灰度图像。在该数据集上训练模型可以教它识别不同的服装类别。你可以将“fashion-mnist”替换为任何适合你项目的相关数据集，例如猫品种或植物种类。

图 7. 自定义训练 YOLO11 模型进行图像分类。

Link to this section在 Ultralytics HUB 上尝试 YOLO11#

尽管使用 Ultralytics 软件包很简单，但它确实需要一定的 Python 知识。如果你在寻找更适合初学者的选项，可以使用 Ultralytics HUB，这是一个旨在使训练和部署不同 YOLO 模型变得简单易用的平台。要开始，你需要 创建一个帐户。

登录后，导航到“模型”部分并选择用于图像分类的 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“预览”部分上传图像，处理后预测结果将出现在页面左侧。

图 8. 使用 Ultralytics HUB 运行推理。

Link to this section关键要点#

YOLO11 提供了强大的图像分类功能，为各行各业开辟了新的可能性。从改善农业中的作物监测、增强零售业中的产品搜索，到支持野生动物保护，YOLO11 的速度和准确性使其成为各种应用的理想选择。通过 Ultralytics Python 软件包进行自定义训练或在 Ultralytics HUB 上进行用户友好、无需代码的设置等选项，用户可以轻松地将 YOLO11 纳入其工作流程中。随着越来越多的行业采用 AI 解决方案，YOLO11 提供了一个灵活、高性能的工具，支持创新和实际进展。

要探索更多内容，请访问我们的 GitHub 存储库，并加入我们的 社区。在我们的解决方案页面上探索 自动驾驶汽车 和 医疗保健 中的 AI 应用。🚀