EEPW论坛

前面已经调通了Linux系统，包括SSH，VNC，Python等等

本篇玩个“大”的——大模型yolo，图片分割识别等。

注意：全程需要在连接网络的情况下运行。

如图：开发板通过Type-C连接到PC机共享上网，PC机通过SSH远程连接、操作开发板。

YOLOv11 是YOLO系列的最新里程碑，通过架构优化和训练策略升级，在精度、速度和多功能性 上全面超越前代版本（如YOLOv8）。它适用于需要高精度实时检测的场景（如自动驾驶、视频监控），同时也为边缘设备部署提供了更高效的选择

ultralytics 是一个专注于计算机视觉任务的 Python 库，尤其以 YOLO（You Only Look Once） 系列模型为核心，提供了简单易用的接口，支持目标检测、实例分割、姿态估计等任务。本文将详细介绍 ultralytics 库的功能、安装方法、核心模块以及使用示例。

输入命令 pip install ultralytics 开始安装

ultralytics官方网站有各种大模型实例，见如下链接。

https://docs.ultralytics.com/zh/modes/predict/#keypoints

yolo1.py

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.boxes)  # print the Boxes object containing the detection bounding boxes

olo11n.pt是一个预训练的模型，会自动下载到/home/用户名   目录。

https://ultralytics.com/images/bus.jpg 是官网素材，会自动下载到/home/用户名   目录

Boxes 对象可用于索引、操作和将边界框转换为不同的格式。

运行结果如下：

会打印识别的4个定位框。但是不够直观。

yolo2.py

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on 'bus.jpg'
results = model(["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"])  # results list

# Visualize the results
for i, r in enumerate(results):
    # Plot results image
    im_bgr = r.plot()  # BGR-order numpy array
    im_rgb = Image.fromarray(im_bgr[..., ::-1])  # RGB-order PIL image

    # Show results to screen (in supported environments)
    r.show()

    # Save results to disk
    r.save(filename=f"results{i}.jpg")

字段 plot() 方法在 Results 对象通过将检测到的对象（例如边界框、掩码、关键点和概率）叠加到原始图像上，从而方便预测的可视化。此方法将带注释的图像作为 NumPy 数组返回，从而可以轻松显示或保存。

运行结果：

识别结果：

0: 640x640 4 persons, 1 bus, 5962.5ms

1: 640x640 2 persons, 1 tie, 5962.5ms

Speed: 60.2ms preprocess, 5962.5ms inference, 54.9ms postprocess per image at shape (1, 3, 640, 640)

在/home/用户名   目录，自动生成results0.jpg   results1.jpg

再接再厉，用自己本地的图片作识别检测效果如何呢？

yolo3.py

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # pretrained YOLO11n model

# Run batched inference on a list of images
results = model(["pic.jpg"])  # return a list of Results objects

# Process results list
for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

这里的pic.jpg是我/home/用户名   目录下上传的图片

运行python yolo3.py结果如下：

图片较大，花了挺长时间：5秒

0: 480x640 1 person, 5570.7ms

Speed: 137.8ms preprocess, 5570.7ms inference, 63.5ms postprocess per image at shape (1, 3, 480, 640)

/home/用户名   目录下生成了result.jpg文件