1. YOLO11推理命令解析detect.py参数全指南作为计算机视觉领域最流行的目标检测框架之一YOLO系列的最新版本YOLO11在推理速度和精度上都有了显著提升。今天我将带大家深入解析YOLO11的核心推理脚本detect.py逐个拆解其中关键参数的使用方法和实际效果。无论你是刚接触YOLO的新手还是希望优化现有检测流程的开发者这份参数详解都能帮你快速掌握YOLO11的推理配置技巧。2. 核心参数解析2.1 输入源参数 --source这是detect.py中最基础的参数决定了模型的输入来源。支持以下多种格式图像文件img.jpg支持jpg/png/bmp等常见格式视频文件vid.mp4支持mp4/avi/mov等格式目录路径path/自动处理目录下所有支持的媒体文件网络摄像头0数字代表摄像头索引RTSP流rtsp://example.com/media.mp4YouTube视频https://youtu.be/LNwODJXcvt4屏幕截图screen实时捕获屏幕内容实际使用时需要注意处理视频流时建议添加--vid-stride参数跳帧处理网络摄像头输入需要OpenCV支持远程视频流受网络状况影响较大2.2 置信度阈值 --conf置信度阈值默认0.25控制着检测结果的严格程度值越高漏检率越高但误检率越低值越低检测框越多但噪声也越多推荐在0.2-0.5之间调整计算公式if 预测框置信度 conf_thres: 保留该预测框 else: 丢弃该预测框2.3 IOU阈值 --iouIOUIntersection over Union阈值默认0.45用于非极大值抑制(NMS)控制重叠框的合并程度值越大保留的重复框越多值越小检测框越稀疏典型应用场景密集物体检测建议0.4-0.5稀疏场景可提高到0.6-0.72.4 输出选项参数组2.4.1 --save-txt保存检测结果为YOLO格式的txt文件每行格式为class x_center y_center width height2.4.2 --save-conf与--save-txt配合使用在输出结果中包含置信度class x_center y_center width height confidence2.4.3 --save-crop将检测到的目标单独裁剪保存按类别分类存储2.4.4 --save-format控制输出格式0YOLO格式默认1Pascal VOC格式3. 高级参数详解3.1 设备选择 --device指定推理设备cpu使用CPU推理0使用第1块GPU0,1使用多块GPU选择建议小模型(如yolov5s)可在CPU上实时运行大模型建议使用GPU加速3.2 模型参数 --weights指定模型权重文件支持多种格式.ptPyTorch模型.onnxONNX格式.engineTensorRT引擎3.3 图像尺寸 --imgsz输入模型的图像尺寸默认640x640值越大精度越高但速度越慢值越小速度越快但可能漏检小目标必须是32的倍数4. 实战配置示例4.1 基础图像检测python detect.py \ --weights yolov11s.pt \ --source input.jpg \ --conf 0.3 \ --save-txt \ --save-conf4.2 视频流分析python detect.py \ --weights yolov11m.pt \ --source test.mp4 \ --conf 0.4 \ --iou 0.5 \ --device 0 \ --vid-stride 24.3 实时摄像头检测python detect.py \ --weights yolov11l.pt \ --source 0 \ --conf 0.25 \ --view-img \ --imgsz 12805. 常见问题排查5.1 内存不足问题现象推理时出现CUDA out of memory 解决方案减小--imgsz使用更小的模型版本添加--half使用FP16推理5.2 检测框异常现象检测框位置或大小不正确 检查点确认输入图像尺寸比例验证模型是否匹配权重调整--conf和--iou参数5.3 性能优化技巧对静态图像使用--imgsz 640视频处理添加--vid-stride使用TensorRT加速.engine格式通过合理组合这些参数你可以根据具体场景优化YOLO11的推理效果。建议从默认参数开始逐步调整至最佳状态。每个项目的最优参数组合可能不同需要根据实际检测目标和环境特点进行调优。
1. YOLO11推理命令解析detect.py参数全指南作为计算机视觉领域最流行的目标检测框架之一YOLO系列的最新版本YOLO11在推理速度和精度上都有了显著提升。今天我将带大家深入解析YOLO11的核心推理脚本detect.py逐个拆解其中关键参数的使用方法和实际效果。无论你是刚接触YOLO的新手还是希望优化现有检测流程的开发者这份参数详解都能帮你快速掌握YOLO11的推理配置技巧。2. 核心参数解析2.1 输入源参数 --source这是detect.py中最基础的参数决定了模型的输入来源。支持以下多种格式图像文件img.jpg支持jpg/png/bmp等常见格式视频文件vid.mp4支持mp4/avi/mov等格式目录路径path/自动处理目录下所有支持的媒体文件网络摄像头0数字代表摄像头索引RTSP流rtsp://example.com/media.mp4YouTube视频https://youtu.be/LNwODJXcvt4屏幕截图screen实时捕获屏幕内容实际使用时需要注意处理视频流时建议添加--vid-stride参数跳帧处理网络摄像头输入需要OpenCV支持远程视频流受网络状况影响较大2.2 置信度阈值 --conf置信度阈值默认0.25控制着检测结果的严格程度值越高漏检率越高但误检率越低值越低检测框越多但噪声也越多推荐在0.2-0.5之间调整计算公式if 预测框置信度 conf_thres: 保留该预测框 else: 丢弃该预测框2.3 IOU阈值 --iouIOUIntersection over Union阈值默认0.45用于非极大值抑制(NMS)控制重叠框的合并程度值越大保留的重复框越多值越小检测框越稀疏典型应用场景密集物体检测建议0.4-0.5稀疏场景可提高到0.6-0.72.4 输出选项参数组2.4.1 --save-txt保存检测结果为YOLO格式的txt文件每行格式为class x_center y_center width height2.4.2 --save-conf与--save-txt配合使用在输出结果中包含置信度class x_center y_center width height confidence2.4.3 --save-crop将检测到的目标单独裁剪保存按类别分类存储2.4.4 --save-format控制输出格式0YOLO格式默认1Pascal VOC格式3. 高级参数详解3.1 设备选择 --device指定推理设备cpu使用CPU推理0使用第1块GPU0,1使用多块GPU选择建议小模型(如yolov5s)可在CPU上实时运行大模型建议使用GPU加速3.2 模型参数 --weights指定模型权重文件支持多种格式.ptPyTorch模型.onnxONNX格式.engineTensorRT引擎3.3 图像尺寸 --imgsz输入模型的图像尺寸默认640x640值越大精度越高但速度越慢值越小速度越快但可能漏检小目标必须是32的倍数4. 实战配置示例4.1 基础图像检测python detect.py \ --weights yolov11s.pt \ --source input.jpg \ --conf 0.3 \ --save-txt \ --save-conf4.2 视频流分析python detect.py \ --weights yolov11m.pt \ --source test.mp4 \ --conf 0.4 \ --iou 0.5 \ --device 0 \ --vid-stride 24.3 实时摄像头检测python detect.py \ --weights yolov11l.pt \ --source 0 \ --conf 0.25 \ --view-img \ --imgsz 12805. 常见问题排查5.1 内存不足问题现象推理时出现CUDA out of memory 解决方案减小--imgsz使用更小的模型版本添加--half使用FP16推理5.2 检测框异常现象检测框位置或大小不正确 检查点确认输入图像尺寸比例验证模型是否匹配权重调整--conf和--iou参数5.3 性能优化技巧对静态图像使用--imgsz 640视频处理添加--vid-stride使用TensorRT加速.engine格式通过合理组合这些参数你可以根据具体场景优化YOLO11的推理效果。建议从默认参数开始逐步调整至最佳状态。每个项目的最优参数组合可能不同需要根据实际检测目标和环境特点进行调优。
