yolov11目标分类

### 使用YOLOv11进行目标检测与分类

#### 安装依赖库
为了使用YOLOv11，首先需要安装必要的Python包。通常情况下，Ultralytics提供了详细的安装指南来设置环境。

pip install ultralytics

此命令会自动下载并配置好YOLOv11所需的全部依赖项[^2]。

#### 加载预训练模型
对于快速入门而言，可以从官方仓库加载一个已经预先训练好的YOLOv11模型来进行预测：

from ultralytics import YOLO

model = YOLO('yolov11.pt')  # 载入预训练权重文件

上述代码片段展示了如何利用`ultralytics`模块轻松获取到YOLOv11模型实例，并指定路径指向`.pt`格式的预训练参数文件[^3]。

#### 执行推理操作
一旦获得了模型对象之后，就可以针对单张图片或者视频流执行实时的目标识别任务了：

results = model.predict(source='path/to/image.jpg', save=True, show_labels=False)

for result in results:
    boxes = result.boxes.cpu().numpy()  # 获取边界框坐标
    scores = result.confidences.cpu().numpy()  # 得分概率值
    class_ids = result.classes.cpu().numpy()  # 类别ID列表

这里通过调用`predict()`函数传入待处理的数据源（可以是本地磁盘上的图像路径），同时设置了保存可视化结果选项以及隐藏标签显示[^4]。

#### 自定义数据集训练
如果打算基于特定领域构建更精准的应用场景，则可能需要收集自己的标注样本集用于重新训练网络结构。此时可以通过CLI接口完成整个流程:

!yolo task=detect mode=train \
      model=yolo11s.pt \
      data=path_to_custom_dataset/data.yaml \
      epochs=40 \
      imgsz=640 \
      plots=True

这条指令指定了要使用的初始权重、自定义数据描述文件的位置以及其他超参数设定，从而启动一轮完整的迭代优化过程。