YOLO入门实操（四）：用YOLO预训练模型快速实现目标检测
这个系列主要面向计算机视觉新手、深度学习入门者，不追求晦涩的公式堆砌，重点拆解YOLO的核心逻辑、实操技巧和工程落地场景，帮助大家从“听说过YOLO”到“能上手用YOLO”，逐步吃透这个目标检测领域的“明星算法”。
文章目录
- 一、前置准备：PyCharm配置yolo_v11虚拟环境
- 步骤1：在PyCharm中打开Ultralytics的源代码
- 步骤2：配置已有的yolo_v11虚拟环境（核心步骤，环境名重点适配）
- 步骤3：PyCharm基础设置
- 环境配置高频避坑指南
- 二、核心实操：YOLOv11预训练模型实现目标检测
- 先了解：YOLOv11预训练模型版本选择
- 先了解：YOLO数据集文件分布
- 三大核心组成详细解读
- 1. 核心配置文件：**coco8.yaml**
- 2. 图片文件夹：images/
- 3. 标注文件夹：labels/
- YOLO 标准标注格式（txt 文件）
- 事前准备
- 场景1：图片检测
- 步骤1：准备批量检测图片
- 步骤2：新建Python文件，编写批量检测代码
- 步骤3：运行代码，查看批量检测结果
- 场景2：本地视频检测（适配监控视频、日常视频）
- 步骤1：准备本地视频
- 步骤2：新建Python文件，编写视频检测代码
- 步骤3：运行代码，操作视频检测
- 场景3高频踩坑指南
- 场景3：摄像头实时检测（适配电脑摄像头、外接摄像头）
- 步骤1：检查摄像头（前置准备）
- 步骤2：新建Python文件，编写摄像头检测代码
- 步骤3：运行代码，体验实时检测
- 场景4高频踩坑指南
- 提升：依赖 model.predict() 高层封装方法
- 实例代码
- predict 参数列举
- 三、拓展内容：YOLOv11预训练模型参数优化
- 1. 核心参数解读
- 2. 参数优化建议
- 3. YOLOv11预训练模型导出
- 四、全文总结与后续衔接
- 尾声
- 感谢大伙观看，别忘了三连支持一下
- 大伙也可以关注一下我的其它专栏，同样精彩喔~
- 大伙也可以添加下面的微信来交流
上一篇我们已经手把手完成了Windows/Linux双版本YOLO环境搭建，重点搭建了适配YOLOv11的yolo_v11虚拟环境，解决了新手最头疼的环境踩坑问题。
今天我们正式进入YOLO入门实操核心——用YOLOv11预训练模型快速实现目标检测，全程基于「Windows系统+PyCharm」（如果没有下载 Pycharm 可以看看下面这篇文章：https://blog.csdn.net/sikimayi/article/details/142887074），无需手动训练模型、无需标注数据集，直接复用官方预训练模型，3分钟就能实现图片、视频、摄像头实时检测。
先做好 PyCharm 与 yolo_v11 环境的衔接，再详细拆解 YOLOv11 预训练模型的全流程实操（从代码编写、参数解读到结果分析），同时标注 PyCharm 下 v11专属高频踩坑点和解决方案，补充v11预训练模型的版本选择、参数优化等实用技巧，确保每一步都能跟着复刻，帮新手快速建立YOLO实操信心，为后续自定义数据集训练、复杂场景优化打下坚实基础。
核心前提：
- 已完成上一篇的Windows YOLO环境搭建，成功创建yolo_v11虚拟环境（安装好Python 3.9、PyTorch 2.0+、Ultralytics 8.0+框架）；
- 已安装PyCharm（推荐Community社区版，免费好用）；
- 电脑已联网（首次运行需下载YOLOv11预训练模型，体积约100-300MB，下载后可重复使用，无需再次联网）；
- 所有文件、路径均不包含中文和空格。
一、前置准备：PyCharm配置yolo_v11虚拟环境
上一篇我们在Anaconda中创建了yolo_v11虚拟环境，现在需要在PyCharm中配置该环境，确保代码能正常调用之前安装的PyTorch、Ultralytics等依赖，这是新手最容易卡壳的一步，全程分步拆解，无图文也能轻松操作，补充环境名适配的专属细节。
步骤1：在PyCharm中打开Ultralytics的源代码
在Pycharm上方打开文件夹中选择之前下载的Ultralytics的源码：
步骤2：配置已有的yolo_v11虚拟环境（核心步骤，环境名重点适配）
可以打开设置找到 python 解释器的部分，也可以直接点右下角快速打开。
如下图配置即可。
添加成功之后会出现下面的这些包。
步骤3：PyCharm基础设置
做好以下设置，可避免后续代码运行时出现中文乱码、依赖导入失败、控制台报错等问题，全程适配YOLOv11实操需求，新手必做。
-
编码设置（解决中文乱码）：点击「File→Settings→Editor→File Encodings」，将「Global Encoding」「Project Encoding」「Default encoding for properties files」均设置为「UTF-8」，点击「Apply→OK」保存设置。
-
自动导包设置（提升效率）：点击「File→Settings→Editor→General→Auto Import」，勾选「Add unambiguous imports on the fly」「Optimize imports on the fly」，勾选后代码中使用的cv2、ultralytics等模块会自动导入，无需手动编写导入语句。
-
控制台设置（避免运行报错）：点击「File→Settings→Editor→Console→Python Console」，确保「Interpreter」选择的是yolo_v11，编码设置为UTF-8；同时取消勾选「Emulate terminal in output console」，避免摄像头实时检测时控制台乱码。
-
文件命名设置（规范实操）：后续新建的Python文件、检测用的图片/视频，命名均采用「小写字母+下划线」的格式（如yolov11_detect.py、test_img.jpg），不要用中文、大写字母或空格，避免文件加载失败。
环境配置高频避坑指南
-
坑1：PyCharm找不到yolo_v11环境 → 排查3点：① Anaconda是否安装成功，是否能正常打开；② Anaconda Prompt中输入「conda activate yolo_v11」，确认能成功激活环境；③ 重新检查Python解释器路径，确保是yolo_v11目录下的python.exe，而非Anaconda根目录。
-
坑2：配置环境后报错「No module named ‘ultralytics’」或「No module named ‘torch’」 → 确认当前环境是yolo_v11（右下角显示），若还是报错，打开PyCharm底部的Terminal（终端），输入「pip install ultralytics torch==2.4.0 -i https://pypi.tuna.tsinghua.edu.cn/simple」，重新安装依赖即可（镜像源加速，避免超时）。
-
坑3：环境配置成功后，运行代码提示「Python interpreter is not selected」 → 点击PyCharm右下角，手动切换到yolo_v11环境，重启PyCharm后再次运行代码。
-
坑4：Anaconda Prompt中能激活yolo_v11，但PyCharm中找不到 → 重新配置Anaconda环境变量，确保D:Anaconda3、D:Anaconda3Scripts、D:Anaconda3Libraryin三个路径已添加到系统环境变量，重启电脑后再配置PyCharm。
二、核心实操：YOLOv11预训练模型实现目标检测
YOLOv11作为当前高精度场景的首选版本，其预训练模型是官方用COCO海量数据集（包含80+类日常目标，如人、车、猫、狗、桌椅、电器等）训练好的，我们无需手动训练、无需标注数据，直接调用就能实现高精度目标检测，操作逻辑简洁，适合新手入门。
统一说明：所有代码均在PyCharm中编写、运行，全程基于yolo_v11环境；本文按「从简单到复杂」的顺序，依次拆解「单张图片检测→多张图片检测→本地视频检测→摄像头实时检测」，每一种场景都提供完整可运行代码、详细注释和结果查看方法，新手可先从单张图片检测入手，熟悉后再逐步拓展其他场景；代码可直接复制使用，仅需修改「图片/视频路径」等简单参数。
先了解：YOLOv11预训练模型版本选择
官方提供了5个不同尺度的YOLOv11预训练模型，适配不同算力设备和精度需求，新手无需纠结，优先选择v11s.pt（中等尺度，兼顾速度和精度，适配大部分人群的电脑），具体选择建议如下：
-
yolov11n.pt：轻量化版本，参数量最小（约2.1M），速度最快，适合低配电脑、笔记本（无独立显卡），精度略低，低配电脑首选。
-
yolov11s.pt：中等尺度版本，参数量6.8M，速度快（推理速度约320帧/秒），精度高（COCO mAP@0.5达52.1%），兼顾速度与精度。
-
yolov11m.pt：中高精度版本，参数量15.2M，精度高于v11s，速度略慢，适合有独立显卡、对精度有一定要求的人群。
-
yolov11l.pt、yolov11x.pt：高精度版本，参数量大（分别为25.9M、43.7M），精度极高，适合复杂场景、高精度需求，但速度较慢，对电脑算力要求高（需独立显卡，GPU显存≥8G）。
补充：所有模型首次运行时会自动下载，下载完成后保存在本地，后续运行无需再次下载，若下载失败，可手动访问Ultralytics官方网站下载，放入对应路径即可，网址如下：https://docs.ultralytics.com/zh/models/yolo11/#performance-metrics。
具体位置如下图：
先了解：YOLO数据集文件分布
我们先来看看YOLO格式的数据集是什么样的，以 COCO8 为例：
coco8/ # 数据集根目录
├── coco8.yaml # YOLO数据集核心配置文件
├── images/ # 存放所有图片（训练+验证），图片与标注一一对应
│ ├── train/ # 训练集图片
│ │ ├── 000000000009.jpg
│ │ ├── 000000000025.jpg
│ │ └──
│ └── val/ # 验证集图片
│ ├── 000000000139.jpg
│ ├── 000000000285.jpg
│ └──
└── labels/ # 存放所有标注文件（训练+验证，纯文本txt格式），与images目录结构完全一致
├── train/ # 训练集标注文件（txt文件，与train图片一一同名）
│ ├── 000000000009.txt
│ ├── 000000000025.txt
│ └──
└── val/ # 验证集标注文件（txt文件，与val图片一一同名）
├── 000000000139.txt
├── 000000000285.txt
└──
- 同名对应：每张图片对应一个同名的 txt 标注文件（如000000000009.jpg ↔ 000000000009.txt），无图片的标注、无标注的图片都会被模型忽略；
- 结构一致：labels/的目录结构必须和images/完全一致，否则模型无法匹配图片与标注；
- 命名规则：所有文件 / 文件夹名无中文、无空格、无特殊符号，建议用数字 / 字母 / 下划线，路径也需遵循此规则；
- 格式要求：图片支持jpg/png/jpeg（YOLO 默认优先识别 jpg），标注必须为纯文本 txt 格式（不支持 VOC 的 xml、COCO 的 json，需转换）。
三大核心组成详细解读
1. 核心配置文件：coco8.yaml
coco8.yaml 是 YOLO 模型加载数据集的唯一入口，存放数据集的根路径、训练 / 验证集路径、类别数量、类别名称等关键信息，模型训练前会先读取该文件，格式错误会直接导致训练失败。
path: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)
# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: airplane
5: bus
6: train
7: truck
8: boat
9: traffic light
10: fire hydrant
...
yaml 配置关键避坑
- path建议用绝对路径（如D:/YOLO_Practice/datasets/coco8），相对路径易因项目目录变化导致 “找不到数据集”；
- nc必须与names的长度一致（如 COCO8 的 nc=8，names 有 8 个元素），否则模型会报维度错误；
- names的索引顺序不可随意修改，必须与标注文件中的class_id完全匹配（如标注中 class_id=0 代表 person，names [0] 就必须是 person）；
- 路径分隔符用/（斜杠），不要用 Windows 的（反斜杠），否则会被识别为转义字符导致路径报错。
2. 图片文件夹：images/
存放 YOLO 模型训练的输入图片，分为train/（训练集，用于模型学习特征）和val/（验证集，用于训练过程中评估模型精度，不参与模型学习）
新手实操注意
1.图片分辨率无需统一，YOLO 模型会自动在训练时将图片缩放至指定尺寸（如 640×640，YOLOv11 默认尺寸）；
2.避免使用过大 / 过小的图片（如分辨率超过 4K、小于 100×100），会增加训练耗时或导致特征提取不充分；
3.图片质量需清晰，模糊、过曝、过暗的图片会降低模型训练精度。
3. 标注文件夹：labels/
存放图片对应的YOLO 格式标注文件（txt 格式），与images/目录结构完全一致，是 YOLO 数据集的核心，标注格式为 YOLO 专属的归一化五值格式，也是新手制作自定义数据集的重点和难点。
YOLO 标准标注格式（txt 文件）
COCO8 的每个 txt 标注文件，内部每行对应图片中的一个目标，每行包含5 个归一化数值，格式为：
class_id x_center y_center width height
7 0.502 0.313 0.996 0.625
class_id：目标类别 ID，整数，与coco8.yaml中names的索引一一对应（如 COCO8 中 car 的 class_id=2）；
x_center：目标框中心的 x 坐标，相对图片宽度的归一化值（0~1 之间）；
y_center：目标框中心的 y 坐标，相对图片高度的归一化值（0~1 之间）；
width：目标框的宽度，相对图片宽度的归一化值（0~1 之间）；
height：目标框的高度，相对图片高度的归一化值（0~1 之间）。
事前准备
为了后期的维护，和整个工程的协调性，我们先来建两个文件夹，在我们的Ultralytics里面。
models，用来存储我们的模型
datasets，用来存储我们的数据集
场景1：图片检测
核心目标：用YOLOv11预训练模型，检测本地图片中的目标，标注目标框、类别和置信度，实现可视化显示和结果保存，全程3行核心代码，新手3分钟可完成。
步骤1：准备批量检测图片
-
创建一个「images」文件夹，将需要批量检测的图片（无中文、无空格，命名规范）全部复制到该文件夹中（如test_img1.jpg、test_img2.jpg、car_img.jpg等），数量不限。
-
确保所有图片格式为常见格式（jpg、png均可），避免使用特殊格式（如webp），否则可能导致读取失败。
步骤2：新建Python文件，编写批量检测代码
右键点击项目名称→「New→Python File」，文件名改为「yolov11_pretrain_batch_detect.py」，复制以下代码（完整可运行，带详细注释）：
# 导入核心依赖模块
from ultralytics import YOLO
import cv2
import os
# 1. 加载YOLOv11预训练模型（与场景1一致，新手首选yolov11s.pt）
model = YOLO('yolov11s.pt')
# 2. 定义批量检测的图片路径和结果保存路径（重点）
img_dir = 'images' # 图片存放目录（批量读取该目录下的所有图片）
result_dir = 'batch_results' # 批量检测结果保存目录（自动创建）
# 3. 创建结果保存目录（若不存在则创建，避免报错）
if not os.path.exists(result_dir):
os.makedirs(result_dir)
# 4. 批量读取图片，进行检测（核心批量处理逻辑）
# 遍历images目录下的所有文件，筛选出图片文件（jpg、png）
for img_name in os.listdir(img_dir):
# 筛选图片文件（仅处理jpg、png格式，可补充其他格式）
if img_name.endswith(('.jpg', '.png', '.jpeg')):
# 拼接图片完整路径（避免路径报错）
img_path = os.path.join(img_dir, img_name)
print(f"正在检测图片：{img_name}")
# 调用模型检测（参数与场景1一致，可根据需求调整）
results = model(img_path, stream=False, conf=0.25, iou=0.7)
# 处理每张图片的检测结果，保存到batch_results目录
for result in results:
annotated_frame = result.plot(conf=True, labels=True, boxes=True)
# 保存检测结果，文件名与原始图片一致，便于对照
save_path = os.path.join(result_dir, img_name)
cv2.imwrite(save_path, annotated_frame)
# 可选：显示当前检测的图片（按ESC键切换到下一张，不显示可删除以下3行）
cv2.imshow('YOLOv11 Batch Image Detection', annotated_frame)
key = cv2.waitKey(0)
if key == 27:
cv2.destroyAllWindows()
# 批量检测完成，控制台提示
cv2.destroyAllWindows() # 关闭所有显示窗口
print("="*50)
print(f"批量检测完成！共检测图片：{len([f for f in os.listdir(img_dir) if f.endswith(('.jpg', '.png', '.jpeg'))])}张")
print(f"所有检测结果已保存到：{result_dir} 文件夹中")
print("="*50)
步骤3：运行代码，查看批量检测结果
-
坑1：代码运行报错「Could not find image file」 → 图片路径错误，检查img_path是否正确，确保图片已放入images文件夹，文件名无中文、无空格；推荐使用os.path.join()方法编写路径，避免路径格式错误。
-
坑2：首次运行模型下载失败、超时 → 切换国内镜像源，打开PyCharm Terminal，输入「pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple」，重启代码运行；或用手机热点联网下载（部分校园网、公司网限制）。
-
坑3：显示窗口一闪而过 → 忘记编写cv2.waitKey(0)语句，补充该语句即可（代码中已包含，不要删除）；若仍一闪而过，检查是否有多个cv2.imshow()语句，关闭多余语句。
-
坑4：检测结果中没有目标（控制台显示目标数量为0） → 调整conf参数（降低至0.2或0.15），部分目标置信度较低，默认0.25会过滤；或更换一张目标清晰、常见的图片（如包含公交车、行人的图片）。
-
坑5：报错「cv2.error: (-215:Assertion failed)」 → 图片路径错误或图片损坏，重新确认图片路径，更换一张完好的图片，再次运行代码。
场景2：本地视频检测（适配监控视频、日常视频）
核心目标：用YOLOv11预训练模型检测本地视频中的目标，实时标注目标框、类别和置信度，支持视频播放、暂停，检测完成后可保存检测后的视频，适配监控视频分析、日常视频目标检测等场景，操作简单，仅需修改视频路径。
步骤1：准备本地视频
-
在项目目录下，右键点击项目名称→「New→Directory」，新建「videos」文件夹，用于存放本地视频。
-
找一段本地视频（如MP4格式，建议时长1-5分钟，避免过长导致检测耗时久），命名为「test_video.mp4」（无中文、无空格），复制到「videos」文件夹中；新手可下载一段简短的监控视频、街头视频，便于快速测试。
步骤2：新建Python文件，编写视频检测代码
右键点击项目名称→「New→Python File」，文件名改为「yolov11_pretrain_video_detect.py」，复制以下代码（完整可运行，带详细注释）：
# 导入核心依赖模块
from ultralytics import YOLO
import cv2
import os
# 1. 加载YOLOv11预训练模型（新手首选yolov11s.pt，视频检测兼顾速度和精度）
model = YOLO('yolov11s.pt')
# 2. 定义本地视频路径和检测结果保存路径
video_path = os.path.join('videos', 'test_video.mp4') # 本地视频路径（替换为你的视频路径）
video_result_dir = 'video_results' # 视频检测结果保存目录
if not os.path.exists(video_result_dir):
os.makedirs(video_result_dir)
# 3. 读取本地视频（调用cv2.VideoCapture，打开视频文件）
cap = cv2.VideoCapture(video_path)
# 检查视频是否成功打开（避免视频路径错误、视频损坏）
if not cap.isOpened():
raise ValueError("无法打开视频文件，请检查视频路径是否正确、视频是否完好！")
# 4. 配置视频保存参数（保存检测后的视频，可选，新手可保留）
# 获取视频的帧率、宽、高（用于保存视频时匹配原始视频参数）
fps = cap.get(cv2.CAP_PROP_FPS)
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
# 定义视频编码器（MP4格式，适配大部分播放器）
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
# 定义视频保存路径和参数
video_save_path = os.path.join(video_result_dir, 'detected_test_video.mp4')
out = cv2.VideoWriter(video_save_path, fourcc, fps, (width, height))
print("视频检测开始，按ESC键退出检测，按空格暂停/继续播放！")
print("="*50)
# 5. 循环读取视频帧，进行实时检测（核心逻辑）
while cap.isOpened():
# 读取一帧视频（ret：是否读取成功，frame：当前视频帧）
ret, frame = cap.read()
if not ret:
break # 视频读取完毕，退出循环
# 调用YOLOv11模型检测当前帧（stream=False，适配视频帧检测）
results = model(frame, stream=False, conf=0.25, iou=0.7)
# 处理当前帧的检测结果，绘制目标框
annotated_frame = results[0].plot(conf=True, labels=True, boxes=True)
# 显示检测后的视频帧（实时播放）
cv2.imshow('YOLOv11 Video Detection', annotated_frame)
# 保存当前帧到视频文件（检测完成后生成完整视频）
out.write(annotated_frame)
# 键盘控制：按ESC键退出，按空格暂停/继续
key = cv2.waitKey(1) & 0xFF
if key == 27: # ESC键，退出检测
break
elif key == 32: # 空格键，暂停/继续
cv2.waitKey(0)
# 6. 检测完成，释放资源（必写，避免占用内存、导致报错）
cap.release() # 释放视频读取资源
out.release() # 释放视频保存资源
cv2.destroyAllWindows() # 关闭所有显示窗口
print("="*50)
print("视频检测完成！")
print(f"检测后的视频已保存到：{video_save_path}")
print("="*50)
步骤3：运行代码，操作视频检测
-
运行代码，视频会自动开始播放，播放窗口中会实时显示目标框、类别和置信度（如视频中的人、车）。
-
键盘控制技巧（新手必记）：① 按空格键：暂停/继续播放视频（暂停后可仔细查看检测结果）；② 按ESC键：退出视频检测（无需等待视频播放完毕）。
-
检测完成后，「video_results」文件夹中会生成检测后的视频（detected_test_video.mp4），可打开播放，查看完整的检测效果（目标框实时跟随视频中的目标）。
场景3高频踩坑指南
-
坑1：报错「无法打开视频文件，请检查视频路径是否正确」 → 视频路径错误，检查video_path是否正确，确保视频已放入videos文件夹，文件名无中文、无空格；视频格式不支持（如flv），转换为MP4格式后再检测。
-
坑2：视频播放卡顿、帧率低 → 更换轻量化模型（yolov11n.pt），降低conf参数（如0.2），或关闭视频保存功能（删除out.write(annotated_frame)相关代码），提升播放速度。
-
坑3：检测后的视频无法打开 → 视频编码器配置错误，确保fourcc = cv2.VideoWriter_fourcc(*‘mp4v’)，保存格式为MP4；若仍无法打开，降低视频分辨率（代码中可添加width、height缩放逻辑，新手可暂时跳过）。
-
坑4：视频播放完毕后，程序未自动退出 → 手动按ESC键退出，或检查代码中「if not ret: break」语句是否存在（代码中已包含）。
场景3：摄像头实时检测（适配电脑摄像头、外接摄像头）
核心目标：调用电脑内置摄像头（或外接摄像头），用YOLOv11预训练模型实时检测摄像头拍摄范围内的目标，实时标注、实时显示，适合实时监控、现场目标检测等场景，无需准备图片/视频，打开摄像头即可检测。
步骤1：检查摄像头（前置准备）
-
确保电脑内置摄像头正常工作（打开电脑相机应用，确认能正常拍摄）；若使用外接摄像头，连接电脑后，确认摄像头已被识别（设备管理器中查看）。
-
关闭电脑中占用摄像头的应用（如相机、微信视频通话），避免摄像头被占用，导致代码报错。
步骤2：新建Python文件，编写摄像头检测代码
右键点击项目名称→「New→Python File」，文件名改为「yolov11_pretrain_camera_detect.py」，复制以下代码（完整可运行，无需修改核心参数）：
# 导入核心依赖模块
from ultralytics import YOLO
import cv2
# 1. 加载YOLOv11预训练模型（摄像头实时检测，新手首选yolov11s.pt，兼顾速度和精度）
model = YOLO('yolov11s.pt')
# 2. 调用电脑摄像头（0表示内置摄像头，1表示外接摄像头）
cap = cv2.VideoCapture(0)
# 检查摄像头是否成功打开
if not cap.isOpened():
raise ValueError("无法打开摄像头，请检查摄像头是否正常工作、是否被其他应用占用！")
print("摄像头实时检测开始，按ESC键退出检测，按空格暂停/继续！")
print("检测范围：摄像头拍摄范围内的80+类目标（人、车、手机、水杯等）")
print("="*50)
# 3. 实时检测逻辑（循环读取摄像头帧，实时检测）
while cap.isOpened():
# 读取摄像头当前帧
ret, frame = cap.read()
if not ret:
break
# 调用模型实时检测当前帧（stream=False，实时性更强）
results = model(frame, stream=False, conf=0.25, iou=0.7)
# 绘制检测结果（实时标注目标框、类别、置信度）
annotated_frame = results[0].plot(conf=True, labels=True, boxes=True)
# 实时显示检测结果（弹出窗口，显示摄像头画面和检测标注）
cv2.imshow('YOLOv11 Camera Real-Time Detection', annotated_frame)
# 键盘控制：按ESC键退出，按空格暂停/继续
key = cv2.waitKey(1) & 0xFF
if key == 27: # ESC键，退出实时检测
break
elif key == 32: # 空格键，暂停/继续检测
cv2.waitKey(0)
# 4. 检测完成，释放资源
cap.release()
cv2.destroyAllWindows()
print("="*50)
print("摄像头实时检测已退出！")
print("="*50)
步骤3：运行代码，体验实时检测
-
运行代码，电脑内置摄像头会自动打开（外接摄像头需将代码中cap = cv2.VideoCapture(0)改为cap = cv2.VideoCapture(1)）。
-
弹出显示窗口，窗口中会实时显示摄像头拍摄的画面，同时自动标注画面中的目标（如手、手机、水杯、人脸等），显示类别和置信度，实时跟随目标移动。
-
键盘控制：① 按空格键：暂停实时检测，可仔细查看标注结果；再次按空格键，恢复检测；② 按ESC键：退出实时检测，关闭摄像头和显示窗口。
场景4高频踩坑指南
-
坑1：报错「无法打开摄像头，请检查摄像头是否正常工作」 → 摄像头被其他应用占用（关闭相机、微信等应用）；摄像头硬件故障（检查摄像头是否开启）；外接摄像头未正确连接（重新插拔摄像头）。
-
坑2：实时检测卡顿、延迟高 → 更换轻量化模型（yolov11n.pt）；降低conf参数（如0.2）；关闭电脑中其他占用内存、CPU的应用（如游戏、视频软件），提升实时性。
-
坑3：检测不到目标 → 摄像头拍摄范围内无常见目标（可手持手机、水杯等物品对准摄像头）；调整conf参数（降低至0.15）；确保光线充足（光线过暗会影响检测精度）。
-
坑4：退出检测后，摄像头仍在工作（指示灯亮） → 代码未正常释放资源，手动关闭PyCharm，或在任务管理器中结束Python进程，摄像头即可关闭。
提升：依赖 model.predict() 高层封装方法
使用这个方法我们可以让我们的代码更加简洁，更具可读性。
实例代码
# 这是识别图片的，基本规则和前面说的一样，这里就不罗嗦了。
from ultralytics import YOLO
# 可配置参数
image_source = r"datasets" # 图片路径（单张/文件夹）
save_path = r"results" # 结果存储地址
# 加载对应精度的YOLO模型
model = YOLO(f"./models/yolov8n.pt")
# 执行图片识别
model.predict(
source=image_source,
save_dir=save_path, # 自定义结果存储地址
save=True, # 保存识别结果
show=False, # 不实时显示识别画面
stream=False,
conf=0.25, # 置信度阈值（可根据需求调整，越高识别越严格）
iou=0.7,
)
print(f"图片识别完成，结果已保存至：{save_path}")
predict 参数列举
source: str/Path/PIL/np.ndarray/list/torch.Tensor → None
推理输入源；支持：图片/视频本地路径、PIL图像、numpy数组、torch张量、摄像头（0/1）、网络流URL（如RTSP）
conf: float → 0.25
检测置信度阈值，仅保留置信度≥该值的预测框，调参核心（如0.5可过滤低置信度误检）
iou: float → 0.7
NMS非极大值抑制IOU阈值，过滤重叠预测框，值越小过滤越严格
imgsz: int/tuple → 640
推理图像尺寸，需为32的倍数；int自动转为正方形（如640→(640,640)），tuple支持自定义宽高（如(1280,720)）
device: str/int/torch.device → None
推理设备，自动优先GPU；支持：0/cuda:0（GPU）、cpu、mps（苹果芯片）
show: bool → False
是否弹出窗口实时显示推理结果（图片/视频帧）
save: bool → False
是否保存带标注的推理结果到本地
classes: list/int → None
指定仅检测的类别，传入类别编号（如COCO：0=人，2=汽车）；示例：classes=0 或 classes=[0,2,5]
project: str/Path → ‘runs/predict’
推理结果保存的根目录，可自定义绝对/相对路径
name: str/Path → ‘exp’
推理结果子目录名，最终保存路径为「project/name」
exist_ok: bool → False
是否覆盖已存在的保存目录；False则自动创建exp1/exp2等新目录，True直接覆盖
max_det: int → 300
单张图像最大检测目标数，限制预测框输出数量（如小目标场景可调大）
augment: bool → False
是否使用测试时增强（TTA），提升推理精度（会增加少量推理时间）
三、拓展内容：YOLOv11预训练模型参数优化
前文代码中使用的是默认参数（conf=0.25、iou=0.7），可根据检测效果，适当调整参数，优化检测精度和速度，以下是YOLOv11常用参数解读和优化建议，适配不同场景需求。
1. 核心参数解读
-
conf（置信度阈值）：默认0.25，取值范围0-1，数值越大，检测越严格（只有置信度高于该值的目标才会被标注）；数值越小，检测越宽松（易检测到模糊、不清晰的目标）。
-
iou（交并比阈值）：默认0.7，取值范围0-1，用于过滤重复目标框（避免一个目标被多次标注）；数值越大，允许的重复框越多；数值越小，过滤越严格。
-
stream（流式检测）：默认False，用于控制是否启用流式检测；单张图片、视频、摄像头检测，建议设为False（速度更快）；批量检测大量图片/视频，可设为True（节省内存）。
-
device（运行设备）：默认自动识别（优先使用GPU，无GPU则使用CPU）；可手动指定device=‘cpu’（强制使用CPU）、device=0（使用第1块GPU），新手无需手动指定，默认即可。
2. 参数优化建议
- 场景优化：
- ① 高精度需求（如细小目标检测）：conf=0.2-0.25，iou=0.6-0.7，更换模型为yolov11m.pt；
- ② 快速检测需求（如摄像头实时检测）：conf=0.25-0.3，iou=0.7-0.8，更换模型为yolov11n.pt；
- ③ 避免重复标注：降低iou参数（如0.5-0.6）。
- 常见问题优化：
- ① 检测不到目标：降低conf至0.15-0.2，更换清晰图片/视频，确保光线充足；
- ② 目标标注重复：降低iou至0.5-0.6；
- ③ 检测速度慢：更换轻量化模型，提高conf参数，关闭显示功能。
3. YOLOv11预训练模型导出
新手后续若需将YOLOv11预训练模型部署到其他平台（如嵌入式设备、网页），可将模型导出为ONNX、TensorRT等格式，操作简单，PyCharm中仅需1行核心代码，示例如下：
from ultralytics import YOLO
# 加载YOLOv11预训练模型
model = YOLO('yolov11s.pt')
# 导出模型（支持导出为onnx、tensorrt、coreml等格式，新手首选onnx）
model.export(format='onnx') # 导出为ONNX格式，保存路径为当前项目目录
print("模型导出完成！导出格式：ONNX，可用于后续部署。")
四、全文总结与后续衔接
本文基于Windows系统+PyCharm，以yolo_v11虚拟环境为基础，详细拆解了YOLOv11预训练模型的全场景实操，提供了完整可运行代码、详细注释和高频踩坑指南，无需手动训练、无需标注数据，新手3分钟可上手，成功实现高精度目标检测。
核心收获：
- 掌握PyCharm与yolo_v11环境的衔接方法，解决环境配置的高频问题；
- 学会调用YOLOv11预训练模型，实现多场景目标检测，理解核心代码逻辑；
- 掌握参数优化技巧，能根据检测效果调整参数，提升检测精度和速度；
- 熟悉YOLOv11的模型版本选择，适配自身电脑配置。
尾声
入门YOLO实操，预训练模型是最好的“敲门砖”——无需投入大量时间训练模型、标注数据，就能快速体验目标检测的乐趣和价值，而YOLOv11作为当前高精度版本，既能满足新手的入门需求，也能适配后续复杂场景的实操，是新手进阶的优质选择。
希望通过本文的实操讲解，大家能顺利上手YOLOv11预训练模型，建立YOLO实操信心，避开常见坑点，为后续的自定义训练、模型优化和项目部署打下坚实基础。下一篇自定义数据集训练，我们不见不散～
