from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

用以上代码即可简单的执行。

其中yolo11n.pt是预训练的模型，节省时间。

其中主要知识在： yolov11使用

YOLOv11 功能介绍

YOLOv11 提供了多种计算机视觉任务的支持，包括目标检测、分割、分类、姿态估计和定向边界框检测。下面是各个功能的详细说明：

1. Detect（目标检测）

功能：检测图像或视频中的目标，并标注其边界框（Bounding Box）以及类别。

• 输出：目标的位置（边界框）和类别（例如：人、车、猫）。
• 典型用途：监控摄像头、自动驾驶中的行人检测等。

2. Segment（实例/语义分割）

功能：对图像中的像素级别进行分类，将每个像素标记为属于特定目标。

• 输出：分割掩膜（Segmentation Mask），像素级别的分类。
• 语义分割：所有相同类别的对象（如所有“狗”）共享一个标签。
• 实例分割：区分同类别的不同实例（如3只狗分成3个实例）。
• 典型用途：医学影像分析、精细对象边界分割（如抠图）等。

3. Classify（分类）

功能：预测整个图像或某个区域的类别标签。

• 输入：一张图像或裁剪的感兴趣区域（ROI）。
• 输出：图像或区域的类别标签及其对应的概率分布。
• 典型用途：猫狗分类、手写数字识别等。

4. Pose（姿态估计）

功能：估计人体或物体的关键点位置，通常用于分析姿势。

• 输出：关键点（如关节点或物体特征点）的位置。
• 典型用途：
• 人体姿态估计：检测人体关节点，如肩膀、肘部、膝盖。
• 手势识别：手指关键点检测。
• 物体姿态估计：分析物体的3D姿态。

5. OBB（定向边界框，Oriented Bounding Box）

功能：检测具有方向信息的边界框。

• 与传统边界框的区别：OBB允许边界框以任意角度旋转，适用于不规则方向的目标。
• 输出：包含方向信息的边界框参数（如：中心点、宽度、高度、旋转角度）。
• 典型用途：
• 遥感图像分析：检测旋转目标如建筑物、飞机。
• OCR（文字检测）：对斜体或旋转文本进行检测。

---

总结

功能	描述	输出	典型用途
Detect	目标检测	边界框、类别	行人检测、车辆识别等
Segment	实例/语义分割	分割掩膜（像素级分类）	医学影像、物体分割等
Classify	分类	类别标签、概率分布	图像分类、手写识别等
Pose	姿态估计	关键点位置（关节、物体特征点）	人体姿势、物体姿态等
OBB	定向边界框（旋转目标检测）	包含方向信息的边界框参数	遥感分析、OCR、车牌识别等

这些功能广泛应用于自动驾驶、机器人、安防、医疗影像等领域。

labelimg