YOLO11实战——物体检测识别

一、前言

老周当时了解YOLO的时候是YOLO8，当时很火，但转眼间就YOLO11了。从官方给的性能图来看YOLO11大概是走到此类任务的天花板了，未来几年目标检测的任务可能不会再有很巨大的提升。

提前安装好pytorch环境以及GPU训练环境，可以参考我的前面的一篇：MAC使用MPS进行GPU深度模型训练（MPS替代CUDA）

二、安装Ultralytics

pip install ultralytics
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple #网络不好的话

看到Successfully installed的字样说明ultralytics下载成功了。

使用示例：https://docs.ultralytics.com/models/yolo11/#usage-examples

# Load a COCO-pretrained YOLO11n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolo11n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLO11n model and run inference on the 'bus.jpg' image
yolo predict model=yolo11n.pt source=https://github.com/ultralytics/assets/releases/download/v0.0.0/bus.jpg

在这里插入图片描述

它会在你运行命令的文件里下载bus.jpg和yolo11n.pt，还有生成runs文件夹（储存结果的文件夹）

训练结果：

可以看出公交bus训练后检测到0.94的权重是公交，效果还是挺好的。你也可以用这个模型做一些微调训练自己需要检测的数据集，希望你也能训练个误差低的模型。

当YOLO11能识别1000种物体时，我们是否该思考：机器的'视力'终将超越人类？从医疗影像的早期病变检测，到自动驾驶的复杂路况判断，物体检测的边界正在被不断拓展。而这一切，都始于你今天点击'运行'按钮的瞬间。未来已来，你，准备好成为定义它的人了吗？