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，帮助机器解读和理解视觉信息，从而执行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哪些物体，还能精确定位它们的位置。这使其成为自动驾驶汽车等视觉 AI 应用、实时安防系统和仓库自动化中的关键工具。

随着时间的推移，目标检测技术变得更加先进，也更易于使用。在 Ultralytics 的年度混合活动 YOLO Vision 2024 (YV24) 上，官方宣布推出 Ultralytics YOLO11 模型，这是一次重大进步。YOLO11 在支持与 YOLOv8 相同任务的同时，提升了准确率和性能，让之前模型的用户能够轻松无缝地完成迁移。

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

本文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，并探讨其在现实世界中的应用。我们还将逐步讲解如何结合 Ultralytics Python 软件包和 Ultralytics HUB 平台使用 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中的一项核心任务，其功能不只是识别图像中的物体。图像分类只能判断某个特定物体是否存在，而目标检测则能识别多个物体，并使用边界框精确定位它们的位置。

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后，目标检测尤其适用于监控、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。

目标检测区别于语义分割或实例分割等其他任务的地方，在于其关注点和效率。

语义分割会标注图像中的每个像素，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，将每个物体分离出来，并勾勒出其精确形状，即使这些物体属于同一类别。

而目标检测通过识别和分类物体并标记其位置，提供了一种更加简洁高效的方法。这使其非常适合实时任务，例如检测安防视频中的人脸，或识别自动驾驶车辆前方的障碍物。

Ultralytics YOLO11 和目标检测的应用#

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

使用 Ultralytics YOLO11 进行零售分析#

Ultralytics YOLO11 和目标检测正通过让库存管理与货架监控变得更加高效、准确，重新定义零售分析。该模型能够快速、可靠地检测物体，帮助零售商跟踪库存水平、整理货架并减少库存盘点错误。

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呢？保持货架商品充足且摆放整齐，对于确保顾客能够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，零售商可以快速发现商品库存不足、摆放错位或过度拥挤等情况，从而保持整洁、具有吸引力的陈列，改善购物体验。

图 3。使用 Ultralytics YOLO11 检测货架上商品的示例。

Ultralytics YOLO11 在智慧城市应用中的表现#

一座繁忙的城市依靠顺畅的交通流和安全的街道来高效运行，而 Ultralytics YOLO11 可以助力实现这一目标。事实上，许多智慧城市应用都可以与 YOLO11 集成。

一个有趣的案例是使用目标检测识别行驶中车辆的车牌。借助这一功能，Ultralytics YOLO11 可以支持更快速的收费、更好的交通管理以及更及时的法规执行。

图 4。使用目标检测和 Ultralytics YOLO11 检测车牌。

视觉 AI 系统通过监控道路获得的洞察，可以在交通违规或拥堵升级为更严重的问题之前提醒相关部门。YOLO11还可以检测行人和骑行者，让街道对所有人来说都更加安全、高效。

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时序。它还可以通过检测儿童并提醒驾驶员减速，提升学校区域的安全性。借助 YOLO11，城市可以主动应对各种挑战，为所有人营造更高效的环境。

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

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 专为出色的实时性能而设计，在支持此功能方面表现卓越。它的应用不仅限于简化流程，还能帮助打造更加包容和无障碍的世界。

例如，YOLO11可以通过实时识别物体来帮助视障人士。系统可以根据检测结果提供音频描述，帮助用户更加独立地了解和导航周围环境。

设想一位视障人士正在购买杂货。挑选合适的商品可能颇具挑战，但 Ultralytics YOLO11 可以提供帮助。当他们把商品放入购物车时，可以使用集成 YOLO11 的系统识别每件商品，例如香蕉、牛油果或一盒牛奶，并提供实时音频描述。这样，他们就能确认自己的选择，确保买齐所需物品。通过识别日常用品，YOLO11 可以让购物变得更加简单。

图 5。目标检测可以帮助视障人士享受更加无障碍的世界。

使用 Ultralytics YOLO11 进行目标检测的分步指南#

现在我们已经介绍了目标检测的基础知识及其多种应用，下面来深入了解如何开始使用 Ultralytics YOLO11 模型执行目标检测等任务。

使用 YOLO11 有两种简单直接的方式：通过 Ultralytics Python 软件包或 Ultralytics HUB。下面将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，根据训练期间学到的内容进行预测、分类信息或提供洞察。对于目标检测而言，这意味着识别并定位图像或视频中的特定物体，在其周围绘制边界框，并根据模型的训练结果为其添加标签。

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。如果遇到安装问题，请查看故障排除指南，其中提供了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。

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使用场景。通过微调模型，你可以让它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 模型可以用于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，帮助医生更快速、准确地做出诊断。

下面的代码片段展示了如何加载和训练用于目标检测的 Ultralytics YOLO11 模型。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)

训练模型后，你还可以将训练好的模型导出为各种格式，以便部署到不同环境中。

在 Ultralytics HUB 上进行 YOLO11 目标检测#

对于希望采用无代码替代方案的用户，Ultralytics HUB提供了一个易于使用的视觉 AI 平台，用于训练和部署包括 YOLO11 在内的 YOLO 模型。

要对图像运行目标检测，只需创建账户，进入“Models”部分，然后选择 Ultralytics YOLO11 目标检测模型变体。上传图像后，平台会在预览区域中显示检测到的物体。

图 7。在 Ultralytics HUB 上运行推理。

Ultralytics YOLO11 将 Python 软件包的灵活性与 HUB 的易用性相结合，让开发者和企业都能轻松利用先进目标检测技术的强大能力。

要点总结#

Ultralytics YOLO11 在目标检测领域树立了新标准，将高准确率与多功能性相结合，满足各行业的需求。从增强零售分析到管理智慧城市基础设施，YOLO11 专为众多应用提供实时、可靠的性能而打造。

借助自定义训练选项以及 Ultralytics HUB 提供的易用界面，将 YOLO11 集成到你的工作流程中从未如此简单。无论你是探索计算机视觉的开发者，还是希望借助 AI 实现创新的企业，YOLO11 都能提供你取得成功所需的工具。

如需了解更多信息，请查看我们的 GitHub 代码仓库并参与社区交流。你还可以在我们的解决方案页面上探索自动驾驶汽车和农业计算机视觉等 AI 应用。🚀