了解新的Ultralytics YOLO11 模型如何改进图像分类，为农业、零售业和野生动物监测任务提供更高的准确性。
Cookie 设置
点击“接受所有 Cookie”，即表示您同意在您的设备上存储 Cookie，以增强网站导航、分析网站使用情况并协助我们的营销工作。更多信息
了解新的Ultralytics YOLO11 模型如何改进图像分类，为农业、零售业和野生动物监测任务提供更高的准确性。
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。
Ultralytics YOLO11 模型是图像分类领域的最新进展之一。在Ultralytics 的年度混合活动 YOLO Vision 2024（YV24）上发布、 YOLO11旨在轻松而精确地处理各种视觉人工智能任务，包括图像分类。
在本文中，我们将探讨图像分类的基本原理，讨论现实世界中的应用，并向您展示如何使用 YOLO11进行图像分类。我们还将介绍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！
图像分类的工作原理是根据从以前贴过标签的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为图像找到最佳匹配。可靠的模型如 YOLO11等可靠的模型可以无缝地处理这一过程。YOLO11的模型架构几乎可以立即处理图像或视频帧，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。
Ultralytics YOLO11 模型在图像分类方面的准确性和性能使其在各行各业都大有用武之地。让我们来探讨一下YOLO11 在图像分类中的一些重要应用。
图像分类有助于简化农业和养殖业的许多功能。具体来说，利用YOLO11 等图像分类模型，农民可以持续监控农作物的健康状况，detect 严重疾病，并高精度地识别任何虫害。
以下是其工作原理的介绍：
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。
传统上，监测野外动物是一项繁琐的工作，需要许多人对成千上万张照片进行人工分类和分析。利用YOLO11 等计算机视觉模式，研究人员可以更快的速度自动监测动物。可以将相机放置在自然栖息地拍摄照片。然后，视觉人工智能模型可用于分析这些照片，并classify 其中的动物（如果有的话）进行classify 。这样的系统可以帮助研究人员研究和 track动物种群及其迁徙模式等。
像YOLO11 这样的人工智能和计算机视觉模型可以帮助这一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，用于监测塔斯马尼亚的各种野生动物。这些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，这可能是偷猎或栖息地丧失等威胁的信号。
现在我们已经讨论了什么是图像分类，并探索了它的一些应用。让我们来看看如何使用新的YOLO11 模型尝试图像分类。有两种简单的入门方法：使用Ultralytics Python 软件包或通过Ultralytics HUB。我们将介绍这两种方法。
要开始使用Ultralytics Python 软件包，只需使用 pip、conda 或 Docker安装即可。如果遇到任何问题，请查看我们的《常见问题指南》，了解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 图像分类模型的一个变体，并在图像上运行推理。运行推理意味着使用训练有素的模型对未见过的新数据进行预测。您可以选择一张图像进行尝试！
您还可以使用相同的Python 软件包来训练自定义的YOLO11 分类模型。自定义训练可以让您根据特定需求对YOLO11 模型进行微调。例如，如果您正在开发一个用于classify 不同猫科动物品种的应用程序，您可以为此目的定制训练一个YOLO11 模型。
下面的代码展示了如何加载和训练YOLO11 图像分类模型。通过它，您可以传输预训练的权重，利用现有模型的知识来提高自己模型的性能。您可以指定一个数据集，如 "fashion-mnist "数据集，它是一个著名的服装（衬衫、裤子、鞋子等）灰度图像集。在这个数据集上训练模型，可以让它学会识别不同的服装类别。您可以将 "fashion-mnist "换成任何适合您项目的数据集，如猫的品种或植物的类型。
虽然Ultralytics 软件包的使用非常简单，但它需要一定的Python 知识。如果您正在寻找一个更适合初学者的选择，可以使用Ultralytics HUB，这是一个旨在使不同YOLO 模型的培训和部署变得简单易用的平台。要开始使用，您需要创建一个账户。
登录后，进入 "型号 "部分，选择YOLO11 型号进行图像分类。您将看到一系列可用的模型尺寸：纳米、小型、中型、大型和超大型。选择模型后，您可以在 "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。
YOLO11 具有强大的图像分类功能，为各行各业带来了新的可能性。从改善农业作物监测、加强零售业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。用户可以通过Ultralytics Python 软件包进行定制培训，也可以在Ultralytics HUB 上进行用户友好的无代码设置，从而轻松地将YOLO11 纳入工作流程。随着越来越多的行业接受人工智能解决方案，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。🚀
