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，一只黑色的和一只白色的，它需要弄清楚哪只是哪只。为此，它可以利用图像分类，这是一种计算机视觉任务，可以帮助识别和分类图像中的物体或场景。事实上，由于人工智能（AI）的最新进展，图像分类可以应用于各种各样的应用中，从动物监测到制造业和农业中的作物病害检测。

图像分类的最新进展之一是 Ultralytics YOLO11 模型。 YOLO11 在 Ultralytics 年度混合活动 YOLO Vision 2024 (YV24) 上发布，旨在轻松而精确地处理各种 Vision AI 任务，包括 图像分类。

在本文中，我们将探讨图像分类的基础知识，讨论实际应用，并向您展示如何通过 Ultralytics Python 包使用 YOLO11 进行图像分类。我们还将了解如何通过几个简单的步骤在 Ultralytics HUB 上试用 YOLO11 的功能。让我们开始吧！

​

什么是图像分类？

图像分类的工作原理是基于从先前标记的图像中学习到的模式，为图像分配标签或标记。计算机视觉模型通过仔细分析图像的像素，可以找到与图像的最佳匹配。像YOLO11这样可靠的模型可以无缝地处理此过程。YOLO11的模型架构使其几乎可以立即处理图像或视频帧，非常适合需要快速、准确图像分类的应用。

要真正理解图像分类的范围，区分它与其他任务（如目标检测）会有所帮助。虽然图像分类标记整个图像，但目标检测识别并定位图像中的每个对象。 

​

让我们考虑一张长颈鹿的图片。在图像分类中，模型可能会根据其整体内容简单地将整个图像标记为长颈鹿。但是，通过目标检测，模型不会止步于识别长颈鹿；它还在长颈鹿周围放置一个边界框，从而精确定位其在图像中的确切位置。

现在，假设长颈鹿站在热带草原的树旁，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热带草原或野生动物。但是，通过目标检测，模型将单独识别每个元素，识别出长颈鹿、树木和其他动物，每个元素都有自己的边界框。

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在各个行业中都非常有用。让我们来探讨一下 YOLO11 在图像分类中的一些关键应用。

YOLO11 在农业中的图像分类

图像分类可以帮助简化农业和农业产业中的许多功能。具体来说，使用像YOLO11这样的图像分类模型，农民可以不断监测作物的健康状况，检测严重的疾病，并以高精度识别任何害虫侵扰。 

以下是其工作原理的介绍：

• 图像捕获：可以部署 物联网 (IoT) 设备（如 摄像头和无人机）来捕获田地中不同角度和位置的农作物实时图像。
  ‍
• 处理：根据可用的资源和连接，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密集的分析。
  ‍
• 使用 YOLO11 进行图像分类：YOLO11 模型可以分析这些图像以对各种 作物状况 进行分类。常见的类别可能包括健康、患病、虫害或营养不足，从而帮助查明影响田地不同区域的具体问题。
  ‍
• 洞察力生成：基于分类，YOLO11 提供了关于作物健康指标的见解，帮助农民检测疾病的早期迹象，识别害虫热点或发现营养不足。
  ‍
• 知情决策：有了这些见解，农民可以对灌溉、施肥和害虫防治做出有针对性的决策，仅在最需要的地方应用资源。

​

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，并将此功能集成到他们的移动应用程序或网站中。然后，顾客只需上传照片即可搜索产品，从而使购物更加快捷方便。

一旦客户将图像上传到视觉搜索系统，在搜索结果显示之前，后台会发生以下几个步骤。 

首先，目标检测可用于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离。接下来，图像分类可用于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，这对于查找难以用语言描述的独特或时尚商品尤其有用。相同的技术还可以通过自动识别和分类商品来帮助简化其他零售任务，例如库存管理。

​

使用 YOLO11 图像分类进行野生动物监测

传统上，野生动物监测是一项繁琐的任务，需要许多人手动整理和分析数千张照片。借助 YOLO11 等计算机视觉模型，研究人员可以更快地自动监测动物。相机可以放置在自然栖息地拍照。然后，可以使用视觉 AI 模型来分析这些照片并对其中的动物进行分类（如果有）。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 和像 YOLO11 这样的计算机视觉模型可以帮助该领域的另一种方式是简化濒危物种的分类过程。通过识别动物可能属于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不同的塔斯马尼亚野生动物。来自模型的预测可以帮助科学家和研究人员密切关注动物的活动和行为，这可能预示着偷猎或栖息地丧失等威胁。 

​

尝试使用 YOLO11 模型进行图像分类

既然我们已经讨论了什么是图像分类，并探讨了它的一些应用。接下来让我们看看如何使用新的 YOLO11 模型来尝试图像分类。有两种简单的方法可以开始：使用 Ultralytics Python 包或通过 Ultralytics HUB。我们将介绍这两种选择。

使用 YOLO11 运行推理

要开始使用 Ultralytics Python 包，只需使用 pip、conda 或 Docker 安装它。如果遇到任何问题，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，您可以使用以下代码加载 YOLO11 图像分类模型的变体，并对图像运行推理。运行推理意味着使用经过训练的模型对新的、未见过的数据进行预测。您可以尝试使用您选择的图像！

​

训练自定义 YOLO11 分类模型

您还可以使用相同的 Python 包来训练自定义 YOLO11 分类模型。自定义训练使您可以微调 YOLO11 模型以满足您的特定需求。例如，如果您正在开发一个用于对不同猫品种进行分类的应用程序，您可以专门为此目的自定义训练 YOLO11 模型。

以下代码展示了如何加载和训练 YOLO11 图像分类模型。它允许您迁移预训练权重，利用现有模型的知识来提升您自己模型的性能。您可以指定一个数据集，例如 "fashion-mnist" 数据集，这是一个著名的服装灰度图像集（衬衫、裤子、鞋子等）。在该数据集上训练模型可以教会它识别不同的服装类别。您可以将 "fashion-mnist" 替换为适合您项目的任何数据集，例如猫的品种或植物的类型。

​

在 Ultralytics HUB 上试用 YOLO11

虽然使用 Ultralytics 包非常简单，但确实需要一些 Python 知识。如果您正在寻找更适合初学者的选项，可以使用 Ultralytics HUB，该平台旨在简化不同 YOLO 模型的训练和部署。要开始使用，您需要创建一个帐户。

登录后，导航到“模型”部分，然后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，图像处理完成后，预测结果将显示在页面左侧。

​

主要要点

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和增强零售中的产品搜索，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 包进行自定义训练，或者在 Ultralytics HUB 上进行用户友好的无代码设置，用户可以轻松地将 YOLO11 集成到他们的工作流程中。随着越来越多的行业采用 AI 解决方案，YOLO11 提供了一种灵活、高性能的工具，支持创新和实际进步。

要了解更多信息，请访问我们的 GitHub存储库，并与我们的 社区 互动。在我们的解决方案页面上探索 自动驾驶汽车 和 医疗保健领域 的AI应用。🚀