，新建一个yolov11_predict.py，

### 创建新的 Python 文件 `yolov11_predict.py` 用于 YOLOv11 模型预测 为了创建一个新的 Python 文件 `yolov11_predict.py` 来实现 YOLOv11 的预测功能，可以基于现有框架结构并遵循良好的模块化编程实践。考虑到不同版本之间的差异以及依赖关系管理的重要性，在编写此脚本时需要注意导入路径和环境配置。 #### 导入必要的库与初始化模型 首先确保所有必需的外部包已安装，并通过合适的语句引入项目内部定义的功能组件： ```python from ultralytics import YOLO # 假设这是支持YOLOv11的API入口[^3] def load_model(model_path): """ 加载训练完成后的YOLOv11模型实例. 参数: model_path (str): 训练得到的最佳权重文件(.pt)的位置 返回: object: 已加载完毕可供使用的YOLOv11检测器对象 """ try: model = YOLO(model_path) print("Model loaded successfully.") return model except Exception as e: print(f"Failed to load model with error {e}") raise ``` #### 定义预测逻辑 接着构建核心业务流程——即调用模型进行图像识别的过程： ```python def perform_prediction(image_folder, output_name='output', save_results=True, show_confidence=True, export_to_text=False): """ 对指定文件夹内的图片应用YOLOv11算法执行目标检测. 参数: image_folder (str): 待处理影像资料所在的目录位置 output_name (str): 输出结果存储子目录名称，默认为'output' save_results (bool): 是否保留可视化后的成果图象 show_confidence (bool): 显示置信度数值于标注框旁侧 export_to_text (bool): 将边界框坐标记录成文本形式 注意事项: - 若某张照片内没有任何物体被成功辨识，则不会为此生成对应的.txt文档。 """ model = load_model("path/to/best_weights_yolov11.pt") predictions = model.predict( source=image_folder, name=output_name, save=save_results, save_conf=show_confidence, save_txt=export_to_text ) ``` #### 主程序入口点设置 最后提供一个简单的命令行接口来触发上述过程： ```python if __name__ == '__main__': import argparse parser = argparse.ArgumentParser(description='Run prediction using a pre-trained YOLOv11 network.') parser.add_argument('--images', type=str, required=True, help='Path to the folder containing images for inference') args = parser.parse_args() perform_prediction(args.images) ``` 以上代码片段展示了如何搭建一个基本版的YOLOv11预测工具。实际部署前还需验证具体环境中各个部分能否正常协作工作，并根据实际情况调整参数选项以满足特定需求[^4]。