Python 使用方法
欢迎访问 YOLO11Python 使用文档！本指南旨在帮助您将 YOLO11 无缝集成到您的Python 项目中，用于对象检测、分割和分类。在这里，您将学习如何加载和使用预训练模型、训练新模型以及对图像进行预测。对于希望将 YOLO11 纳入其Python 项目的任何人来说，易于使用的Python 界面都是宝贵的资源，可让您快速实现高级对象检测功能。让我们开始吧！
观看： 掌握Ultralytics YOLO11：Python
例如，用户只需几行代码就能加载模型、对其进行训练、评估其在验证集上的性能，甚至将其导出为ONNX 格式。
Python
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO("yolo11n.yaml")
# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo11n.pt")
# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)
# Evaluate the model's performance on the validation set
results = model.val()
# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")
# Export the model to ONNX format
success = model.export(format="onnx")
火车
训练模式用于在自定义数据集上训练 YOLO11 模型。在该模式下，模型使用指定的数据集和超参数进行训练。训练过程包括优化模型参数，使其能够准确预测图像中物体的类别和位置。
火车
瓦尔
Val 模式用于在 YOLO11 模型训练完成后对其进行验证。在该模式下，模型将在验证集上进行评估，以衡量其准确性和泛化性能。该模式可用于调整模型的超参数，以提高其性能。
瓦尔
预测
预测模式用于使用训练有素的 YOLO11 模型对新图像或视频进行预测。在该模式下，模型从检查点文件加载，用户可以提供图像或视频来执行推理。模型会预测输入图像或视频中物体的类别和位置。
预测
import cv2
from PIL import Image
from ultralytics import YOLO
model = YOLO("model.pt")
# accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam
results = model.predict(source="0")
results = model.predict(source="folder", show=True) # Display preds. Accepts all YOLO predict arguments
# from PIL
im1 = Image.open("bus.jpg")
results = model.predict(source=im1, save=True) # save plotted images
# from ndarray
im2 = cv2.imread("bus.jpg")
results = model.predict(source=im2, save=True, save_txt=True) # save predictions as labels
# from list of PIL/ndarray
results = model.predict(source=[im1, im2])
# results would be a list of Results object including all the predictions by default
# but be careful as it could occupy a lot memory when there're many images,
# especially the task is segmentation.
# 1. return as a list
results = model.predict(source="folder")
# results would be a generator which is more friendly to memory by setting stream=True
# 2. return as a generator
results = model.predict(source=0, stream=True)
for result in results:
# Detection
result.boxes.xyxy # box with xyxy format, (N, 4)
result.boxes.xywh # box with xywh format, (N, 4)
result.boxes.xyxyn # box with xyxy format but normalized, (N, 4)
result.boxes.xywhn # box with xywh format but normalized, (N, 4)
result.boxes.conf # confidence score, (N, 1)
result.boxes.cls # cls, (N, 1)
# Segmentation
result.masks.data # masks, (N, H, W)
result.masks.xy # x,y segments (pixels), List[segment] * N
result.masks.xyn # x,y segments (normalized), List[segment] * N
# Classification
result.probs # cls prob, (num_class, )
# Each result is composed of torch.Tensor by default,
# in which you can easily use following functionality:
result = result.cuda()
result = result.cpu()
result = result.to("cpu")
result = result.numpy()
出口
导出模式用于将 YOLO11 模型导出为可用于部署的格式。在该模式下，模型将转换为其他软件应用程序或硬件设备可以使用的格式。在将模型部署到生产环境时，该模式非常有用。
出口
轨道
跟踪模式用于使用 YOLO11 模型实时跟踪物体。在该模式下，模型从检查点文件加载，用户可以提供实时视频流来执行实时物体跟踪。该模式适用于监控系统或自动驾驶汽车等应用。
轨道
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load an official detection model
model = YOLO("yolo11n-seg.pt") # load an official segmentation model
model = YOLO("path/to/best.pt") # load a custom model
# Track with the model
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")
基准
基准模式用于评估 YOLO11 各种导出格式的速度和准确性。基准模式提供的信息包括导出格式的大小、其 mAP50-95 指标（用于物体检测和分割）或 accuracy_top5 指标（用于分类），以及不同导出格式（如ONNX,OpenVINO,TensorRT 等）下每幅图像的推理时间（以毫秒为单位）。这些信息可以帮助用户根据自己对速度和准确性的要求，为自己的特定使用情况选择最佳的导出格式。
基准
使用培训师
YOLO 模型类是训练器类的高级封装。每个YOLO 任务都有自己的训练器，训练器继承自 BaseTrainer.
检测训练器示例
from ultralytics.models.yolo import DetectionPredictor, DetectionTrainer, DetectionValidator
# trainer
trainer = DetectionTrainer(overrides={})
trainer.train()
trained_model = trainer.best
# Validator
val = DetectionValidator(args=...)
val(model=trained_model)
# predictor
pred = DetectionPredictor(overrides={})
pred(source=SOURCE, model=trained_model)
# resume from last weight
overrides["resume"] = trainer.last
trainer = detect.DetectionTrainer(overrides=overrides)
您可以轻松定制培训师，以支持自定义任务或探索研发思路。了解有关定制的更多信息 Trainers, Validators 和 Predictors 以满足您在定制部分的项目需求。
常见问题
如何将 YOLO11 集成到Python 项目中进行物体检测？
将Ultralytics YOLO11 集成到Python 项目中非常简单。您可以加载一个预训练模型或从头开始训练一个新模型。以下是开始使用的方法：
from ultralytics import YOLO
# Load a pretrained YOLO model
model = YOLO("yolo11n.pt")
# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Visualize the results
for result in results:
result.show()
更多详细示例，请参阅我们的 "预测模式"部分。
YOLO11 有哪些不同的模式？
Ultralytics YOLO11 提供多种模式，以满足不同的机器学习工作流程。这些模式包括
- 火车:使用自定义数据集训练模型。
- Val:在验证集上验证模型性能。
- 预测:对新图像或视频流进行预测。
- 出口:将模型导出为各种格式，如ONNX 、TensorRT 。
- 跟踪:视频流中的实时目标跟踪
- 基准:不同配置下的模型性能基准。
每种模式都旨在为模型开发和部署的不同阶段提供全面的功能。
如何使用我的数据集训练自定义 YOLO11 模型？
要训练自定义 YOLO11 模型，您需要指定数据集和其他超参数。下面是一个快速示例：
from ultralytics import YOLO
# Load the YOLO model
model = YOLO("yolo11n.yaml")
# Train the model with custom dataset
model.train(data="path/to/your/dataset.yaml", epochs=10)
有关培训的更多详情和使用示例的超链接，请访问我们的列车模式页面。
如何导出 YOLO11 模型以供部署？
使用以下工具可直接将 YOLO11 模型导出为适合部署的格式 export 功能。例如，您可以将模型导出为ONNX 格式：
from ultralytics import YOLO
# Load the YOLO model
model = YOLO("yolo11n.pt")
# Export the model to ONNX format
model.export(format="onnx")
有关各种导出选项，请参阅导出模式文档。
我可以在不同的数据集上验证我的 YOLO11 模型吗？
是的，可以在不同的数据集上验证 YOLO11 模型。训练完成后，您可以使用验证模式来评估性能：
from ultralytics import YOLO
# Load a YOLO11 model
model = YOLO("yolo11n.yaml")
# Train the model
model.train(data="coco8.yaml", epochs=5)
# Validate the model on a different dataset
model.val(data="path/to/separate/data.yaml")
有关详细示例和用法，请查看Val Mode页面。
