如何使用 Ultralytics YOLO11 进行目标检测

计算机视觉是人工智能 (AI) 的一个领域，旨在帮助机器解读和理解视觉信息，从而执行目标检测等重要任务。与图像分类不同，目标检测不仅能识别图像中有哪些物体，还能确定物体的精确位置。因此，目标检测是自动驾驶汽车等视觉 AI 应用、实时安防系统和仓库自动化的重要工具。

随着时间推移，目标检测技术变得更加先进，也更容易使用。在 Ultralytics 年度混合活动 YOLO Vision 2024 (YV24) 上，Ultralytics YOLO11 模型的发布标志着一项重大进展。YOLO11 提升了准确性和性能，同时支持与 YOLOv8 相同的任务，让之前模型的用户可以轻松迁移。（此后，YOLO11 已由 Ultralytics YOLO26 接替。）

图 1. 使用 Ultralytics YOLO11 模型进行目标检测的示例。

在本文中，我们将详细介绍目标检测是什么、它与其他计算机视觉任务有何不同，并探讨其实际应用。我们还会带你了解如何通过 Ultralytics Python 包和 Ultralytics HUB（现称为 Ultralytics Platform）使用 YOLO11 模型。现在开始吧！

什么是目标检测？#

目标检测是计算机视觉的一项核心任务，不只是识别图像中的对象。图像分类只能判断特定对象是否存在，而目标检测能够识别多个对象，并使用边界框标出它们的精确位置。

例如，它可以识别并定位合影中的人脸、繁忙街道上的汽车，或商店货架上的商品。将物体识别与定位相结合，使其特别适用于监控、人群监测和自动化库存管理等应用。

图 2. 使用 Ultralytics YOLO11 检测人脸。

目标检测与语义分割或实例分割等其他任务的区别，在于它关注的重点和效率。

语义分割会标记图像中的每个像素，但不会区分同一类型的不同物体（例如，照片中的所有人脸都会被归为“人脸”）。实例分割则更进一步，会分离每个物体并勾勒出其精确形状，即使这些物体属于同一类别也不例外。

而目标检测采用更精简的方法，在识别和分类对象的同时标出它们的位置。因此，目标检测非常适合实时任务，例如检测安防视频中的人脸，或识别自动驾驶汽车的障碍物。

Ultralytics YOLO11 和目标检测的应用#

Ultralytics YOLO11 的先进目标检测功能适用于众多行业。下面来看几个示例。

使用 Ultralytics YOLO11 进行零售分析#

Ultralytics YOLO11 和目标检测正在重新定义零售分析，让库存管理和货架监控更加高效、准确。该模型能够快速、可靠地检测对象，帮助零售商跟踪库存水平、整理货架并减少库存盘点中的错误。

例如，YOLO11 可以检测商店货架上的太阳镜等特定商品。但零售商为什么要监控货架？保持货架商品充足且摆放整齐，对于确保顾客能找到所需商品至关重要，并会直接影响销售额。通过实时监控货架，零售商可以迅速发现商品库存不足、摆放错位或过于拥挤的情况，从而保持陈列整齐美观，改善购物体验。

图 3. 使用 Ultralytics YOLO11 检测货架上商品的示例。

Ultralytics YOLO11 在智慧城市中的应用#

繁忙的城市需要顺畅的交通和安全的街道才能高效运转，而 Ultralytics YOLO11 可以助力实现这一点。事实上，许多智慧城市应用都可以与 YOLO11 集成。

一个有趣的应用是使用目标检测来识别行驶中车辆的车牌。这样一来，Ultralytics YOLO11 有助于更快地收取通行费、改善交通管理并加快法规执行。

图 4. 使用目标检测和 Ultralytics YOLO11 检测车牌。

监控道路的视觉 AI 系统提供的洞察，可以在交通违规或拥堵演变成更大问题之前提醒相关部门。YOLO11 还可以检测行人和骑行者，让每个人都能拥有更安全、高效的街道。

事实上，Ultralytics YOLO11 处理视觉数据的能力，使其成为改善城市基础设施的强大工具。例如，它可以通过分析车辆和行人的移动情况，帮助优化交通信号灯的时长。它还可以通过检测儿童并提醒驾驶员减速，提高学校区域的安全性。借助 YOLO11，城市可以主动应对挑战，为所有人营造更高效的环境。

使用 Ultralytics YOLO11 进行实时视频检测：提升无障碍水平#

实时目标检测是指系统能够在实时视频流中识别并分类出现的物体。Ultralytics YOLO11 专为实时性能设计，能够很好地支持这项功能。它的应用不仅限于优化流程，还能帮助打造更具包容性和无障碍的世界。

例如，YOLO11可以通过实时识别对象来帮助视障人士。根据检测结果，系统可以提供语音描述，帮助用户更独立地探索周围环境。

想象一位视障人士在购买杂货。挑选合适的商品可能很有挑战，但 Ultralytics YOLO11 可以提供帮助。随着他们把商品放入购物车，集成 YOLO11 的系统可以识别香蕉、牛油果或一盒牛奶等商品，并提供实时语音描述。这样，他们就能确认所选商品，并确保买齐所需物品。通过识别日常用品，YOLO11 可以让购物变得更简单。

图 5. 目标检测有助于为视障人士打造更无障碍的世界。

使用 Ultralytics YOLO11 进行目标检测的分步指南#

了解目标检测的基础知识及其丰富的应用场景后，接下来看看如何开始使用 Ultralytics YOLO11 模型执行目标检测等任务。

使用 YOLO11 有两种简单的方法：通过 Ultralytics Python 软件包，或通过 Ultralytics HUB。下面分别介绍这两种方法，先从 Python 软件包开始。

使用 Ultralytics YOLO11 运行推理#

推理是指 AI 模型分析新的、未见过的数据，根据训练中学到的内容进行预测、对信息分类或提供洞察。对于目标检测，这意味着在图像或视频中识别并定位特定物体，在物体周围绘制边界框，并根据模型的训练结果为物体添加标签。

要使用 YOLO11 目标检测模型运行推理，你需要先通过 pip、conda 或 Docker 安装 Ultralytics Python 包。如果遇到安装问题，请查看故障排除指南，获取解决问题的提示和技巧。安装完成后，你可以使用以下代码加载 YOLO11n 目标检测模型并对图像进行预测。

图 6. 使用 YOLO11n 对图像运行推理。

训练自定义 Ultralytics YOLO11 模型#

Ultralytics YOLO11 还支持自定义训练，以更好地适应你的具体用例。通过微调模型，你可以让模型检测与你的项目相关的物体。例如，在医疗保健领域使用计算机视觉时，经过自定义训练的 YOLO11 模型可以检测医学图像中的特定异常，例如 MRI 扫描中的肿瘤或 X 射线中的骨折，帮助医生更快、更准确地做出诊断。

下面的代码片段展示了如何加载并训练 Ultralytics YOLO11 模型以执行目标检测。你可以从 YAML 配置文件或预训练模型开始，迁移权重，并使用 COCO 等数据集进行训练，以增强目标检测能力。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.yaml")  # 从 YAML 构建新模型
model = YOLO("yolo11n.pt")  # 加载预训练模型（推荐用于训练）
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # 从 YAML 构建模型并迁移权重

# 训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

训练模型后，你还可以将训练好的模型以多种格式导出，以便在不同环境中部署。

在 Ultralytics HUB 上进行 YOLO11 目标检测#

对于想要使用无代码方案的人，Ultralytics HUB 提供了易于使用的视觉 AI 平台，可用于训练和部署包括 YOLO11 在内的 YOLO 模型。

要对图像执行目标检测，只需创建账户，前往“Models”版块，然后选择 Ultralytics YOLO11 目标检测模型变体。上传图像后，平台会在预览区域显示检测到的物体。

图 7. 在 Ultralytics HUB 上运行推理。

结合 Python 包的灵活性和 HUB 的易用性，Ultralytics YOLO11 让开发者和企业都能轻松使用先进的目标检测技术。

要点#

Ultralytics YOLO11 将高准确性与多功能性相结合，可满足各行各业的需求。从提升零售分析能力到管理智慧城市基础设施，YOLO11 都能在众多应用中提供实时、可靠的性能。

通过自定义训练选项和 Ultralytics HUB 提供的易用界面，将 YOLO11 集成到你的工作流中十分简单。无论你是探索计算机视觉的开发者，还是希望通过 AI 实现创新的企业，YOLO11 都能为你提供所需的入门工具。

想了解更多，请查看我们的 GitHub 仓库，并参与社区交流。你还可以在我们的解决方案页面中探索 AI 在自动驾驶汽车和农业计算机视觉领域的应用。