如何使用Ultralytics YOLO11 用于物体检测

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，从而实现物体检测等基本任务。与图像分类不同，物体检测不仅可以识别图像中的物体，还可以精确定位它们的确切位置。这使其成为自动驾驶汽车、实时安全系统和仓库自动化等视觉 AI 应用的关键工具。

随着时间的推移，物体检测技术变得越来越先进，越来越容易使用。 Ultralytics '年度混合活动YOLO Vision 2024 (YV24) ，发布Ultralytics YOLO11模型。 YOLO11 在支持与YOLOv8相同任务的同时，提升了准确率和性能，让之前模型的用户可以轻松无缝过渡。

‍

在本文中，我们将详细分析什么是物体检测、它与其他计算机视觉任务有何不同，并探索其实际应用。我们还将引导您了解如何使用YOLO11 使用Ultralytics Python包和Ultralytics HUB 平台构建模型。让我们开始吧！

​​什么是物体检测？

物体检测是计算机视觉的一项核心任务，其作用不仅限于识别图像中的物体。与仅确定特定物体是否存在的图像分类不同，物体检测可以识别多个物体并使用边界框精确定位它们的确切位置。 

例如，它可以识别和定位合影中的人脸、繁忙街道上的汽车或商店货架上的产品。结合物体识别和定位使其特别适用于监控、人群监控和自动库存管理等应用。

‍

对象检测与语义或实例分割等其他任务的不同之处在于它的重点和效率。 

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单个对象（例如，照片中的所有人脸都会被归类为“人脸”）。实例分割会进一步分离每个对象，并勾勒出其确切形状，即使对于同一类的对象也是如此。 

然而，物体检测提供了一种更简化的方法，通过识别和分类物体并标记其位置。这使其成为实时任务的理想选择，例如检测安全录像中的人脸或识别自动驾驶汽车的障碍物。

应用YOLO11 和物体检测

YOLO11先进的物体检测功能使其适用于许多行业。让我们看一些例子。

使用YOLO11 零售分析

YOLO11 和物体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。该模型能够快速可靠地检测物体，帮助零售商跟踪库存水平、组织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？保持货架库存充足、井然有序对于确保顾客能够找到所需商品至关重要，而这直接影响销量。通过实时监控货架，零售商可以快速发现商品短缺、错位或过度拥挤的情况，从而帮助他们保持井然有序、有吸引力的陈列，从而改善购物体验。

‍

YOLO11 在智慧城市应用中

繁华的城市依靠顺畅的交通和安全的街道来高效运转，并且YOLO11 可以帮助实现这一目标。事实上，许多智慧城市应用可以与YOLO11 。 

一个有趣的案例是使用物体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、更好的交通管理和更快的法规执行。 

‍

监控道路的 Vision YOLO11系统能够提供洞察，在交通违规或拥堵升级为更大问题之前向当局发出警报。YOLO11 还可以检测行人和骑自行车的人，让街道对每个人都更安全、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的运动来帮助优化交通信号灯的定时。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。 YOLO11 ，城市可以采取积极措施应对挑战，为每个人创造更高效的环境。

实时视频检测YOLO11 ：提高可访问性

实时物体检测是指系统识别和分类实时视频中出现的物体的能力。 YOLO11 专为实现卓越的实时性能而设计，并能出色地支持此功能。其应用不仅仅是简化流程 - 它还可以帮助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帮助视障人士。根据检测结果，可以提供音频描述，帮助用户更独立地导航周围环境。

想象一下，一个有视力障碍的人在购物。挑选合适的物品可能很困难，但YOLO11 可以提供帮助。当他们将商品放入购物车时， YOLO11 可以用来识别每件物品——比如香蕉、鳄梨或一盒牛奶——并提供实时音频描述。这让他们能够确认自己的选择，并确保他们得到了所需的一切。通过识别日常物品， YOLO11 可以使购物更简单。

‍

使用YOLO11 

现在我们已经介绍了物体检测的基础知识及其各种应用，让我们深入了解如何开始使用Ultralytics YOLO11 用于诸如对象检测之类的任务的模型。

有两种简单的方法可以使用YOLO11 ：通过Ultralytics Python 包或Ultralytics HUB。让我们来探索一下这两种方法，首先从Python 包裹。

使用YOLO11

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知识做出预测、分类信息或提供见解。就对象检测而言，这意味着识别和定位图像或视频中的特定对象，在它们周围绘制边界框，并根据模型的训练对它们进行标记。

推断使用YOLO11 对象检测模型，首先需要通过 pip、conda 或 Docker安装Ultralytics Python包。如果遇到任何安装问题，请查看故障排除指南，获取帮助您解决问题的提示和技巧。安装后，您可以使用以下代码加载YOLO11 物体检测模型并对图像做出预测。

‍

培训自定义YOLO11 模型

YOLO11 还支持自定义训练，以更好地适应您的特定用例。通过微调模型，您可以定制它来检测与您的项目相关的对象。例如，在医疗保健中使用计算机视觉时，自定义训练的YOLO11 该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 射线中的骨折，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YOLO11 用于对象检测的模型。您可以从 YAML 配置文件或预先训练的模型开始，传输权重，并在COCO等数据集上进行训练，以获得更精细的对象检测功能。

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)

‍

在训练模型后，您还可以将训练好的模型导出为各种格式，以便在不同的环境中部署。

YOLO11 物体检测Ultralytics 中心

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 Vision AI 平台，用于训练和部署YOLO 模型，包括YOLO11 。

要在图像上运行对象检测，只需创建一个帐户，导航到“模型”部分，然后选择YOLO11 对象检测模型变体。上传您的图像，平台将在预览部分显示检测到的对象。

‍

通过结合灵活性Python 包装与HUB的便捷， YOLO11 使开发人员和企业能够轻松利用先进的对象检测技术的强大功能。

主要收获

YOLO11 为物体检测树立了新标准，将高精度与多功能性相结合，以满足各行各业的需求。从增强零售分析到管理智能城市基础设施， YOLO11 专为无数应用程序的实时、可靠性能而构建。

提供定制培训选项和易于使用的界面， Ultralytics HUB，集成YOLO11 融入您的工作流程从未如此简单。无论您是探索计算机视觉的开发人员，还是希望利用 AI 进行创新的企业， YOLO11 提供您成功所需的工具。

要了解更多信息，请查看我们的GitHub 存储库，并参与我们的社区。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。🚀