YOLOv11模型
时间: 2025-05-12 19:36:36 浏览: 34
### YOLOv11 模型介绍
YOLOv11 是 Ultralytics 提供的一个目标检测模型系列中的最新版本,相较于之前的版本,在性能和易用性方面都有显著提升。该模型不仅简化了训练流程,还提供了更高效的推理能力[^1]。
#### 主要特点
- **模块化设计**:支持多种预定义的模型结构(如 `yolo11n`、`yolo11s` 等),方便用户根据需求选择合适的模型。
- **易于扩展**:允许自定义数据集训练,并提供清晰的文档指导如何调整超参数以优化效果。
- **高性能表现**:基于 COCO 数据集预训练的权重文件可以直接用于其他任务,减少从零开始训练的时间成本。
---
### 使用方法
以下是关于如何加载预训练模型以及执行基本操作的具体指南:
#### 加载预训练模型
为了快速启动项目或者测试功能,可以从官方仓库获取已有的 `.pt` 文件来初始化模型实例。例如:
```python
from ultralytics import YOLO
# 载入一个在COCO数据集上预先训练好的YOLOv11n模型
model = YOLO("yolo11n.pt") # 这里指定了具体的PT文件名作为输入路径[^2]
```
上述代码片段展示了如何利用 Python API 来创建一个新的对象表示所选网络架构及其关联参数集合。
#### 自定义训练过程
如果希望用自己的标注图片资料重新构建专属识别器,则需经历几个重要环节——准备数据配置文件(.yaml),指定保存位置等等细节均已在参考资料中有提及。
注意当提到“如果你想训练自己的模型”,意味着开发者能够自由挑选不同大小的基础骨架网路(yolov11n/yolov1m...)进而适应特定应用场景下的精度速度权衡考量.
---
### 示例代码展示
下面给出一段完整的例子用来演示整个工作流的一部分:
```python
from ultralytics import YOLO
# 初始化YOLOv11模型
model = YOLO('yolo11n.pt')
# 对单张图像进行预测
results = model.predict(source='path/to/image.jpg', save=True, conf=0.5)
for r in results:
boxes = r.boxes.xyxy.cpu().numpy() # 获取边界框坐标[x1,y1,x2,y2]
scores = r.boxes.conf.cpu().numpy() # 得分置信度数组
class_ids = r.boxes.cls.cpu().numpy() # 类别索引列表
print(f'Predicted Classes: {class_ids}')
```
此脚本实现了读取本地磁盘上的JPEG格式影像档案之后调用predict函数完成物体定位与分类的任务;最后打印出每项发现的目标类别编号以便进一步处理分析。
---
阅读全文
相关推荐


















