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，旨在帮助机器解释和理解视觉信息，从而实现诸如目标检测等关键任务。与图像分类不同，目标检测不仅能识别图像中有什么物体，还能精确定位它们的位置。这使其成为自动驾驶汽车、实时安防系统和仓储自动化等视觉 AI 应用的关键工具。

随着时间的推移，目标检测技术变得更加先进且易于使用。在 Ultralytics 的年度混合活动——YOLO Vision 2024 (YV24) 上，Ultralytics YOLO11 模型的发布标志着该技术的重大进步。YOLO11 在提高准确性和性能的同时，支持与 YOLOv8 相同的任务，让旧模型的用户可以轻松实现无缝过渡。

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

在本文中，我们将深入解析什么是目标检测，它与其他计算机视觉任务有何不同，并探讨其实际应用。我们还将引导你通过 Ultralytics Python 软件包和 Ultralytics HUB 平台来使用 YOLO11 模型。让我们开始吧！

Link to this section什么是目标检测？#

目标检测是计算机视觉中的一项核心任务，其功能不仅仅是识别图像中的物体。与仅确定特定物体是否存在的图像分类不同，目标检测可以识别多个物体，并使用边界框标记它们的精确位置。

例如，它能够识别并定位合影中的人脸、繁忙街道上的车辆，或商店货架上的产品。将物体识别与定位结合起来，使其特别适用于监控、人群监控和自动化库存管理等应用。

图 2. 使用 YOLO11 检测人脸。

目标检测区别于语义分割或实例分割等其他任务之处在于其重点和效率。

语义分割会标记图像中的每一个像素，但不会区分同类物体的个体（例如，照片中的所有脸部都会被归类为“人脸”）。实例分割在此基础上更进一步，通过勾勒每个物体的确切形状来区分各个个体，即使是同类物体也不例外。

相比之下，目标检测通过识别和分类物体并标记其位置，提供了一种更高效的方法。这使其非常适合实时任务，例如监控录像中的人脸检测，或自动驾驶车辆的障碍物识别。

Link to this sectionYOLO11 和目标检测的应用#

YOLO11 先进的目标检测功能使其在许多行业中都很有用。让我们来看看一些例子。

Link to this section使用 YOLO11 进行零售分析#

YOLO11 和目标检测正在重新定义零售分析，使库存管理和货架监控更加高效和准确。该模型快速、可靠地检测物体的能力，有助于零售商追踪库存水平、整理货架并减少库存统计中的错误。

例如，YOLO11 可以检测商店货架上的特定商品，比如太阳镜。但零售商为什么要监控货架呢？保持货架充足和整洁对于确保顾客能找到所需商品至关重要，这直接影响销售额。通过实时监控货架，零售商可以迅速发现商品不足、摆放错误或堆积过多的情况，从而保持整洁美观的展示，进而提升购物体验。

图 3. 使用 YOLO11 检测货架上产品的示例。

Link to this sectionYOLO11 在智慧城市应用中的表现#

繁忙的城市依赖于顺畅的交通流和安全的街道来高效运行，而 YOLO11 有助于实现这一点。事实上，许多智慧城市应用都可以集成 YOLO11。

一个有趣的案例是利用目标检测来识别移动车辆的车牌。通过这样做，YOLO11 可以支持更快的收费、更好的交通管理以及更迅速的法规执行。

图 4. 使用目标检测和 YOLO11 检测车牌。

视觉 AI 系统监控道路所提供的洞察力，可以在违规行为或拥堵演变成大问题之前提醒相关部门。YOLO11 还可以检测行人和骑行者，使街道对每个人来说都更安全、更高效。

事实上，YOLO11 处理视觉数据的能力使其成为改善城市基础设施的有力工具。例如，它可以通过分析车辆和行人移动来帮助优化交通信号灯的时间设置。它还可以通过检测儿童并提醒司机减速来提高学校区域的安全性。有了 YOLO11，城市可以采取主动措施来应对挑战，并为每个人创造一个更高效的环境。

Link to this sectionYOLO11 实时视频检测：提高可访问性#

实时目标检测是指系统在实时视频流中识别和分类物体并在其出现时进行处理的能力。YOLO11 专为卓越的实时性能而设计，非常擅长支持此功能。它的应用不仅限于简化流程，还能助力创造一个更具包容性和可访问性的世界。

例如，YOLO11 可以通过实时识别物体来协助视障人士。基于检测结果，系统可以提供音频描述，帮助用户更加独立地导航周边环境。

设想一位视障人士正在购买杂货。挑选合适的商品可能具有挑战性，但 YOLO11 可以提供协助。当他们将商品放入购物篮时，集成了 YOLO11 的系统可以识别每一件商品——比如香蕉、牛油果或一盒牛奶——并提供实时音频描述。这让他们能够确认自己的选择，并确保买齐了所需的一切。通过识别日常物品，YOLO11 可以让购物变得更简单。

图 5. 目标检测可以帮助使世界对视障人士而言更具可访问性。

Link to this sectionYOLO11 目标检测分步指南#

既然我们已经涵盖了目标检测的基础知识及其多种应用，让我们深入了解如何开始使用 Ultralytics YOLO11 模型进行目标检测等任务。

有两种简单的方法可以使用 YOLO11：通过 Ultralytics Python 软件包或 Ultralytics HUB。让我们从 Python 软件包开始探索这两种方法。

Link to this section使用 YOLO11 运行推理#

推理是指 AI 模型分析新的、未见过的数据，以进行预测、对信息分类或基于其在训练中学到的知识提供洞察。就目标检测而言，这意味着识别并定位图像或视频中的特定物体，在它们周围绘制边界框，并根据模型的训练对其进行标记。

要使用 YOLO11 目标检测模型进行推理，你首先需要通过 pip、conda 或 Docker 安装 Ultralytics Python 软件包。如果你遇到任何安装问题，请查阅故障排除指南以获取帮助你解决问题的提示和技巧。安装完成后，你可以使用以下代码来加载 YOLO11 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。

Link to this section训练自定义 YOLO11 模型#

YOLO11 也支持自定义训练，以更好地适应你的特定用例。通过微调模型，你可以根据项目的需求对其进行定制，以检测相关物体。例如，在医疗保健领域使用计算机视觉时，可以使用自定义训练的 YOLO11 模型来检测医学图像中的特定异常，例如 MRI 扫描中的肿瘤或 X 光片中的骨折，从而帮助医生更快、更准确地进行诊断。

下面的代码片段展示了如何加载和训练 YOLO11 模型进行目标检测。你可以从 YAML 配置文件或预训练模型开始，迁移权重，并在 COCO 等数据集上进行训练，以获得更精细的目标检测能力。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

模型训练完成后，你还可以导出训练好的模型，以便在不同的环境中部署。

Link to this section在 Ultralytics HUB 上进行 YOLO11 目标检测#

对于那些寻求无代码替代方案的人来说，Ultralytics HUB 提供了一个易于使用的视觉 AI 平台，用于训练和部署 YOLO 模型，包括 YOLO11。

要在图像上运行目标检测，只需创建一个帐户，导航到“模型”部分，然后选择 YOLO11 目标检测模型变体。上传你的图像，平台将在预览部分显示检测到的物体。

图 7. 在 Ultralytics HUB 上运行推理。

通过结合 Python 软件包的灵活性和 HUB 的简便性，YOLO11 让开发者和企业都能轻松利用先进的目标检测技术。

Link to this section关键要点#

YOLO11 在目标检测方面树立了新的标准，将高精度与多功能性相结合，以满足各行各业的需求。从加强零售分析到管理智慧城市基础设施，YOLO11 专为跨无数应用场景的实时、可靠性能而构建。

有了自定义训练选项和通过 Ultralytics HUB 提供的易用界面，将 YOLO11 集成到你的工作流中从未如此简单。无论你是探索计算机视觉的开发者，还是寻求利用 AI 进行创新的企业，YOLO11 都为你提供了成功所需的工具。

要了解更多信息，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探索 AI 在自动驾驶汽车和农业计算机视觉方面的应用。🚀