如何使用 Ultralytics YOLO11 进行图像分类

假设一个机器人正在看着两只猫，一黑一白，它需要弄清楚哪只是哪只。为此，它可以使用图像分类，这是一种计算机视觉任务，有助于识别和归类图像中的对象或场景。事实上，多亏了人工智能 (AI) 近年来的发展，图像分类已被广泛应用于各种场景，从动物监测到制造业，以及通过作物病害检测进行的农业应用。

图像分类领域的最新进展之一是Ultralytics YOLO11 model。YOLO11在Ultralytics' annual hybrid event、YOLO Vision 2024 (YV24)上发布，旨在轻松、精准地应对包括图像分类在内的各种vision AI任务。

在这篇文章中，我们将探讨图像分类的基础知识，讨论实际应用，并向你展示如何通过 Ultralytics Python package 使用 YOLO11 进行图像分类。我们还将了解如何在几个简单的步骤中在 Ultralytics HUB 上体验 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？#

图像分类通过为图像分配标签或标记，基于从先前标记的图像中学习到的模式来工作。通过仔细分析图像的像素，计算机视觉模型可以为该图像找到最佳匹配。像Ultralytics YOLO11这样可靠的模型可以无缝处理这个过程。YOLO11的模型架构使得几乎可以瞬间处理图像或视频帧，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，将其与目标检测等其他任务区分开来会有所帮助。图像分类为整张图像打标签，而目标检测则识别并定位图像内的每个对象。

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张图片标记为长颈鹿。但是，通过目标检测，模型不仅限于识别长颈鹿；它还会在长颈鹿周围放置一个边界框，精确定位其在图片中的确切位置。

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。

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在众多行业中都非常有用。让我们探讨 YOLO11 在图像分类中的一些核心应用。

Ultralytics YOLO11 在农业领域的图像分类#

图像分类可以帮助简化农业和耕作行业的许多职能。具体而言，利用 YOLO11 等图像分类模型，农户可以高精度地持续监测作物健康状况、检测严重病害并识别任何害虫侵扰。

以下是其工作原理：

• 图像捕获：可以部署诸如相机和无人机之类的物联网 (IoT) 设备，从田间各个角度和位置实时捕获作物图像。
• 处理：根据可用资源和网络连接，可以通过边缘计算在现场处理图像，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，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、受虫害或缺乏营养，有助于查明影响田间不同区域的具体问题。
• 洞察生成：基于分类结果，Ultralytics YOLO11 可提供关于农作物健康指标的洞察，帮助农民检测疾病的早期迹象、识别害虫高发区或发现营养缺乏。
• 明智决策：有了这些洞察，农户可以针对灌溉、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。从健康到受感染的叶子不同类别的示例。

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，使其更加个性化且用户友好。零售商可以使用自定义训练的计算机视觉模型来识别库存中的产品，并将此功能集成到其移动应用或网站中。然后，客户只需上传照片即可搜索产品，从而使购物更快、更便捷。

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，可以使用目标检测挑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个物品进行归类，识别它是夹克、衬衫、沙发还是桌子。

利用这些信息，系统可以拉出可供购买的相似产品，这对于寻找仅用言语很难描述的独特或潮流单品尤其有用。这项技术还可以通过自动识别和归类物品来帮助简化其他零售任务，例如库存管理。

图 4。基于图像分类的视觉搜索平台正在运行。

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任务，需要许多人手动整理和分析数千张照片。借助 Ultralytics YOLO11 等计算机视觉模式，研究人员能够以更快的速度自动监测动物。相机可以放置在自然栖息地中以拍摄照片。随后，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（如果有的话）。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 和计算机视觉模型（如 Ultralytics YOLO11）在此领域的另一种应用方式是通过简化对濒危物种的分类流程来提供帮助。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基础数据。例如，塔斯马尼亚大学（UTAS）开发了一个基于图像分类的系统来监测不同的塔斯马尼亚野生动物。然后，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与行为，这些行为可能预示着盗猎或栖息地丧失等威胁。

图 5. Ultralytics YOLO11 预测狗狗可能属于的品种。

使用 Ultralytics 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它的一些应用，让我们来看看如何使用新的 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 package 或通过 Ultralytics HUB。我们将逐步介绍这两种选项。

使用 Ultralytics YOLO11 运行推理#

要开始使用 Ultralytics Python package，只需使用 pip、conda 或 Docker 将其安装。如果你遇到任何问题，请查看我们的常见问题指南以获取有用的故障排查提示。

安装该软件包后，你可以使用以下代码加载 Ultralytics YOLO11 图像分类模型的变体，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。你可以用你选择的一张图片来试一试！

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包来训练自定义的Ultralytics YOLO11分类模型。自定义训练使你能够为特定需求微调 YOLO11模型。例如，如果你正在开发一款用于分类不同猫品种的应用，你可以专门为此目的自定义训练一个YOLO11模型。

以下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，这是一个众所周知的服装图像灰度集（衬衫、裤子、鞋子等）。在此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”替换为适合你项目的任何数据集，例如猫的品种或植物种类。

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

在 Ultralytics HUB 上尝试 YOLO11#

尽管使用 Ultralytics package 很简单，但它确实需要一些 Python 知识。如果你正在寻找更适合初学者的选项，你可以使用 Ultralytics HUB，这是一个旨在让训练和部署不同 YOLO 模型变得简单易用的平台。要开始使用，你需要创建一个账户。

登录后，导航至“模型”部分并选择用于图像分类的 Ultralytics YOLO11 模型。你会看到提供的一系列模型大小：nano、small、medium、large 和 extra-large。选择模型后，你可以在“预览”部分上传图片，图片处理完成后，预测结果将显示在页面左侧。

图 8. 使用 Ultralytics HUB 运行推理。

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 仓库，并与我们的社区互动。在我们的解决方案页面上探索 AI 在自动驾驶汽车和医疗健康中的应用。🚀