前言

YOLO（You Only Look Once）是目标检测领域最知名的模型系列。它能在一张图中同时检测出多个物体——人、车、猫、杯子——标出位置并给出类别名称。

这篇文章的目标是让你半小时内从零到跑通第一个 YOLO 检测程序。

一、YOLO 是什么与底层检测流水线

YOLO 的核心思想很简单：只看一次（You Only Look Once）。传统检测方法需要对图片进行密集的滑动窗口扫描或候选区域生成（如 R-CNN），YOLO 把整张图一次性输入全卷积神经网络，直接端到端回归预测所有目标的坐标与类别：

版本演进

版本 年份 关键变化
YOLOv5 2020 第一个工程化完善的版本，部署友好
YOLOv8 2023 Ultralytics 出品，支持检测/分割/分类/姿态估计/跟踪多任务
YOLOv9 2024 引入 PGI 和 GELAN，精度提升明显
YOLOv10 2024 清华团队出品，NMS-free 双标签分配，推理更快
YOLOv11 2024 当前官方主推，结构精简，精度和速度实现最佳平衡
YOLOv12 2025 引入轻量级注意力机制，极小目标与密集重叠场景表现更佳

新手推荐直接用 YOLOv8 或 YOLOv11，Ultralytics 库把训练、推理、导出的接口封装得非常统一。

二、安装与环境

1
pip install ultralytics

验证安装：

1
2
from ultralytics import YOLO
print(YOLO.__doc__[:50])

如果安装了 CUDA 版本的 PyTorch，YOLO 会自动使用 GPU 加速。检查是否能用 GPU：

1
2
3
import torch
print(f"CUDA 可用: {torch.cuda.is_available()}")
print(f"设备数量: {torch.cuda.device_count()}")

三、5 行代码跑检测

1
2
3
4
5
6
7
8
9
10
11
12
13
from ultralytics import YOLO
import cv2

# 1. 加载预训练模型（自动下载）
model = YOLO("yolo11n.pt")  # n=nano，最小最快

# 2. 检测
results = model("bus.jpg")  # 支持图片路径、PIL Image、numpy 数组

# 3. 显示结果
for r in results:
    r.show()  # 弹出窗口显示检测结果
    r.save("output.jpg")  # 保存

模型大小选择：

后缀 大小 速度 适用场景
n (nano) ~6MB 最快 移动端、实时检测
s (small) ~21MB 快 资源有限的设备
m (medium) ~49MB 中等 通用场景，平衡之选
l (large) ~83MB 慢 精度要求高
x (x-large) ~116MB 最慢 追求最高精度 
1
2
3
model = YOLO("yolo11n.pt")   # nano，CPU 上也能流畅跑
model = YOLO("yolo11m.pt")   # medium，精度和速度平衡
model = YOLO("yolo11x.pt")   # x-large，精度最高但也最慢

四、解析检测结果

1
2
3
4
5
6
7
8
9
10
11
12
13
results = model("street.jpg")

for r in results:
    # r.boxes: 检测到的所有边界框
    boxes = r.boxes
    if boxes is not None:
        for box in boxes:
            x1, y1, x2, y2 = box.xyxy[0].tolist()  # 左上角和右下角坐标
            confidence = box.conf[0].item()          # 置信度 0~1
            class_id = int(box.cls[0].item())        # 类别 ID
            class_name = r.names[class_id]            # 类别名称
            
            print(f"{class_name}: {confidence:.2f} @ ({x1:.0f},{y1:.0f})-({x2:.0f},{y2:.0f})")

输出示例：

1
2
3
4
person: 0.95 @ (120,50)-(380,450)
car: 0.92 @ (30,200)-(280,400)
traffic light: 0.88 @ (450,80)-(480,120)
car: 0.76 @ (400,210)-(600,380)

results 对象的主要属性：

属性 说明
results[0].boxes 检测框（xyxy 坐标、置信度、类别）
results[0].masks 分割掩码（分割任务）
results[0].keypoints 关键点（姿态估计）
results[0].probs 分类概率（分类任务）
results[0].names 类别名映射 {0: ‘person’, 1: ‘car’, …}

五、视频和摄像头实时检测

1
2
3
4
5
6
7
8
9
10
11
12
# 视频文件检测
model = YOLO("yolo11n.pt")
results = model("traffic.mp4", stream=True)  # stream=True 节省内存

for r in results:
    # 处理每一帧
    annotated_frame = r.plot()  # 画好框的帧
    cv2.imshow("Detection", annotated_frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cv2.destroyAllWindows()
1
2
3
4
5
6
# 摄像头实时检测
model = YOLO("yolo11n.pt")
results = model(source=0, show=True, stream=True)  # source=0 表示摄像头

for r in results:
    pass  # show=True 已自动显示，不需要额外处理

把检测结果写入视频文件

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
from ultralytics import YOLO
import cv2

model = YOLO("yolo11n.pt")
cap = cv2.VideoCapture("input.mp4")
fps = int(cap.get(cv2.CAP_PROP_FPS))
w = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
h = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

# 准备视频编码器
# 注意：mp4v 在现代浏览器中无法直接原生播放，若需直接在前端网页展示，推荐使用 H.264 编码 (*'avc1')
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
writer = cv2.VideoWriter("output.mp4", fourcc, fps, (w, h))

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    results = model(frame)
    annotated = results[0].plot()
    writer.write(annotated)

cap.release()
writer.release()

六、让 YOLO 只检测特定类别

COCO 数据集（预训练模型默认的类别集）有 80 个类别，如果只关心其中几个：

1
2
3
4
# 只检测人和车
results = model(source="street.jpg", classes=[0, 2], conf=0.5)
# classes 填类别 ID：0=person, 2=car（具体 ID 对照 COCO 类别表）
# conf=0.5 表示只显示置信度 > 0.5 的检测框

COCO 常用类别 ID 对照：

ID 类别 ID 类别
0 person 39 bottle
2 car 56 chair
3 motorcycle 63 laptop
5 bus 67 cell phone
7 truck 73 book
15 cat 77 scissors
16 dog

七、模型的导出与跨平台部署

训练或调试好模型后，通常需要导出为底层高性能推理框架所支持的格式：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
model = YOLO("yolo11n.pt")

# 1. 导出为 ONNX（最通用跨平台格式）
# simplify=True 自动优化算子图，dynamic=True 支持非固定动态分辨率输入
model.export(format="onnx", imgsz=640, opset=12, simplify=True, dynamic=False)

# 2. 导出为 TensorRT Engine（NVIDIA GPU 推理，速度极快，延迟低至几毫秒）
model.export(format="engine", device=0, half=True)  # half=True 开启 FP16 加速

# 3. 导出为 OpenVINO（Intel CPU / 核显推理深度优化）
model.export(format="openvino", imgsz=640)

# 4. 导出为 ncnn / TFLite（针对嵌入式树莓派、RK3588 或安卓手机端）
model.export(format="ncnn")
model.export(format="tflite")

导出后即可使用 C++ 或 Python 对应的底层推理库加载，完全脱离 Python PyTorch 和 Ultralytics 重型运行环境：

1
2
3
4
5
6
# 用 ONNX Runtime 极简跨平台推理
import onnxruntime as ort
import numpy as np

session = ort.InferenceSession("yolo11n.onnx")
# ... 预处理、推理、后处理

八、YOLO 还能做什么

Ultralytics 把 YOLO 做成了多任务模型，同一个架构支持多种视觉任务：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# 实例分割（区分每个物体的像素边界）
model = YOLO("yolo11n-seg.pt")
results = model("street.jpg")

# 图像分类
model = YOLO("yolo11n-cls.pt")
results = model("cat.jpg")
print(f"类别: {results[0].probs.top1}")

# 姿态估计（人体关键点）
model = YOLO("yolo11n-pose.pt")
results = model("people.jpg")

# 目标跟踪（给同一物体分配一致的 ID）
model = YOLO("yolo11n.pt")
results = model.track("traffic.mp4", persist=True)
# 跟踪模式下 results[0].boxes.id 会包含物体 ID

九、一些实践经验

  1. 预训练模型比你想象的好：COCO 预训练模型覆盖了 80 个常见类别，很多场景不需要自己训练
  2. 根据场景选模型大小：移动端用 n/s，服务器用 m/l，精度评估用 x
  3. 调 conf 参数能大幅减少误检：默认 0.25，实际场景可以设到 0.4~0.6
  4. GPU 不是必须的：YOLO11n 在 CPU 上处理一张图片大约 100~300ms，简单的实时场景也能用
  5. 先看别人训练好的：模型仓库（Hugging Face、Roboflow Universe）上有大量针对特定场景训练的 YOLO 模型

以上是 YOLO 的入门操作。下一篇会讲如何用自己的数据训练一个定制的目标检测模型——从数据标注到模型上线。