YOLO11的新特性

• 速度：推理速度再次提升，适合实时场景，比如无人驾驶、监控摄像头等。
• 精度：在小目标识别上，YOLO11的表现更加稳定，几乎不会漏掉任何关键细节。
• 轻量化：模型更加轻便，对显卡要求没那么高，甚至普通笔记本都能轻松跑起来。

更友好的Python API

YOLO11提供了更直观的Python接口，只需要几行代码，就能跑出目标检测的结果。

温馨提示：YOLO11的训练数据集依然是COCO或自定义数据集，如果要进行Fine-tune，建议熟悉一下数据预处理的流程。

安装依赖库

打开终端，输入以下命令：

pip install yolov11 opencv-python numpy torch torchvision

下载预训练模型

可以从官方的YOLO11仓库下载预训练好的权重文件：

wget https://yolo11-models.com/yolo11_pretrained.pth

测试安装

新建一个Python文件，比如 yolo11_test.py，写入以下代码：

import torchfrom yolov11 import YOLO

# 加载预训练模型model = YOLO('yolo11_pretrained.pth')

# 检查是否成功加载print("YOLO11模型加载成功！")

运行一下，如果没有报错，说明环境就配置好了。

YOLO11目标检测实战

接下来，我们写一个简单的目标检测脚本，检测一张图片里的物体。

导入YOLO11

import cv2from yolov11 import YOLO

# 加载模型model = YOLO('yolo11_pretrained.pth')

读取图片并进行检测

# 读取图片image = cv2.imread('test_image.jpg')

# 目标检测results = model.predict(image)

展示检测结果

# 绘制检测框for box in results['boxes']:    x1, y1, x2, y2 = box['bbox']    label = box['label']    confidence = box['confidence']    cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2)    cv2.putText(image, f"{label}: {confidence:.2f}", (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# 显示结果cv2.imshow('YOLO11 Detection', image)cv2.waitKey(0)cv2.destroyAllWindows()

运行脚本

python yolo11_test.py

图片窗口中，你会看到每个目标都被标上了边框，还标出了它们的标签和置信度。

温馨提示：如果你的图片中有大量小目标，可以尝试调整模型的输入尺寸，提升小目标的检测效果。

YOLO11在实际场景中的应用

YOLO11不仅适合在实验室里玩玩，它在实际场景中也有很多应用。

• 无人驾驶：实时检测行人、车辆、交通信号灯。
• 视频监控：识别异常行为，检测危险物品。
• 工业检测：检测流水线上的缺陷产品。
• 农业场景：识别农作物病虫害。

如果你有一个摄像头，可以试试将YOLO11接入实时画面，检测移动物体：

cap = cv2.VideoCapture(0)

while True:    ret, frame = cap.read()    if not ret:        break        results = model.predict(frame)        for box in results['boxes']:        x1, y1, x2, y2 = box['bbox']        label = box['label']        confidence = box['confidence']        cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2)        cv2.putText(frame, f"{label}: {confidence:.2f}", (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)        cv2.imshow('YOLO11 Realtime Detection', frame)    if cv2.waitKey(1) & 0xFF == ord('q'):        break

cap.release()cv2.destroyAllWindows()

总结：YOLO11的强大之处在于，它不仅仅是一个高效的目标检测工具，更是一个易用的Python库。