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，它帮助机器解释和理解视觉信息，从而能够执行诸如目标检测等核心任务。与图像分类不同，目标检测不仅能识别图像中的对象，还能精确定位它们的位置。这使其成为诸如自动驾驶汽车、实时安全系统和仓库自动化等视觉AI应用的关键工具。

随着时间推移，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，官方宣布了一项重大进展，即推出 Ultralytics YOLO11 model。YOLO11 提升了准确率和性能，同时支持与 YOLOv8 相同的任务，使以前模型的用户能够无缝过渡。

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

在本文中，我们将剖析什么是目标检测、它与其他计算机视觉任务有何不同，并探讨其实际应用。我们还将引导你了解如何通过 Ultralytics Python package 和 Ultralytics HUB platform 使用 YOLO11 模型。我们开始吧！

什么是目标检测？#

目标检测是计算机视觉中的核心任务，它的功能不仅仅是识别图像中的对象。与仅判断特定对象是否存在图像分类不同，目标检测能够识别多个对象并使用边界框精确定位它们的位置。

例如，它能够识别并定位合影中的人脸、繁忙街道上的汽车或货架上的商品。将对象识别与定位相结合，使其在监控、人群监测和自动化库存管理等应用中特别有用。

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关键在于其侧重点和效率。

语义分割会为图像中的每一个像素贴上标签，但不会区分同类型的各个独立对象（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，能够分离每个对象并勾勒出其确切轮廓，即使是同类对象也不例外。

然而，目标检测通过识别和分类对象同时标记其位置，提供了一种更精简的方法。这使其成为实时任务的理想选择，例如检测安全监控画面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 的高级目标检测功能使其在许多行业中都非常有用。我们来看几个例子。

将 Ultralytics YOLO11 用于零售分析#

Ultralytics YOLO11 和目标检测通过提高库存管理和货架监控的效率与准确性，正在重新定义零售分析。该模型快速可靠地检测物体的能力帮助零售商追踪库存水平、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测货架呢？保持货架有货且井然有序对于确保客户能找到他们需要的东西至关重要，这直接影响销售额。通过实时监测货架，零售商可以迅速发现商品短缺、放错位置或过度拥挤的情况，从而帮助他们维护整洁且有吸引力的陈列，提升购物体验。

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

智慧城市应用中的 Ultralytics YOLO11#

一个繁华的城市依赖顺畅的交通流和安全的街道来高效运转，而 Ultralytics YOLO11 可以帮助实现这一点。事实上，许多智慧城市应用都可以与 YOLO11 集成。

一个有趣的案例涉及使用目标检测来识别行驶中的车辆的车牌。通过这样做，Ultralytics YOLO11 可以支持更快的不停车收费、更好的交通管理以及更快捷的法规执行。

图 4. 使用目标检测和 Ultralytics YOLO11 检测车牌。

监测道路的视觉 AI 系统所提供的洞察可以向当局发出交通违章或拥堵警报，防止其演变成更大的问题。YOLO11 还可以检测行人和骑行者，让街道对每个人来说都更安全、更高效。

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来帮助优化交通灯配时。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，城市可以采取积极措施应对挑战，为每个人创造一个更高效的环境。

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在实时视频流中出现物体时识别和分类它们的能力。Ultralytics YOLO11 专为卓越的实时性能而设计，并且非常擅长支持这一功能。它的应用不仅限于简化流程，还能帮助创造一个更加包容和无障碍的世界。

例如，YOLO11 可以通过实时识别对象来协助视障人士。根据检测结果，可以提供音频描述，这有助于用户以更高的独立性在周围环境中导航。

想象一下一个视力受损的人在买杂货。挑选正确的商品可能具有挑战性，但 Ultralytics YOLO11 可以提供帮助。当他们将商品放入购物车时，集成 YOLO11 的系统可用于识别每件商品——比如香蕉、牛油果或一盒牛奶——并提供实时的语音描述。这使他们能够确认自己的选择并确保买齐了需要的东西。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。

使用 Ultralytics YOLO11 进行目标检测的分步指南#

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。

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，以根据训练期间学到的知识作出预测、对信息进行分类或提供见解。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对象，在其周围绘制边界框，并根据模型的训练对其进行打标签。

若要使用 YOLO11 目标检测模型进行推理，你需要首先通过 pip、conda 或 Docker install the Ultralytics Python package。如果遇到任何安装问题，请查看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。

训练自定义的 Ultralytics YOLO11 模型#

Ultralytics YOLO11 还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，你可以对其进行定制以检测与你的项目相关的对象。例如，在医疗保健中使用计算机视觉时，经过自定义训练的 YOLO11 模型可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 光片中的骨折，从而帮助医生做出更快、更准确的诊断。

下面的代码片段展示了如何加载和训练一个用于目标检测的 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，并在诸如 COCO 的数据集上进行训练，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。

在 Ultralytics HUB 上进行 YOLO11 目标检测#

对于寻求无代码替代方案的人，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，只需创建一个账户，导航到“模型”部分，然后选择 Ultralytics YOLO11 目标检测模型变体。上传你的图像，平台就会在预览部分显示检测到的物体。

图 7. 在 Ultralytics HUB 上运行推理。

通过将 Python 软件包的灵活性与 HUB 的便捷性结合起来，Ultralytics YOLO11 让开发者和企业都能轻松利用先进目标检测技术的力量。

关键要点#

Ultralytics YOLO11 为目标检测树立了新标准，将高精度与多功能性相结合，以满足各个行业的需求。从增强零售分析到管理智慧城市基础设施，YOLO11 专为跨无数应用的实时、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，请查看我们的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自动驾驶汽车和农业计算机视觉中的 AI 应用。🚀