环境与模型#

1
python -m venv .venv
2
source .venv/bin/activate
3
python -m pip install --upgrade ultralytics

推理：

1
yolo predict model=yolo11n.pt source=images/ imgsz=640 conf=0.25

Python：

1
from ultralytics import YOLO
2

3
model = YOLO("yolo11n.pt")
4
results = model("images/example.jpg", imgsz=640, conf=0.25)

训练基线#

1
yolo detect train \
2
  model=yolo11n.pt \
3
  data=data.yaml \
4
  epochs=100 \
5
  imgsz=640 \
6
  batch=16 \
7
  device=0 \
8
  project=runs/yolo11 \
9
  name=baseline

先保持数据、图像尺寸、训练轮数、设备和评估脚本与旧模型一致，建立公平比较。

从 YOLOv8 迁移#

至少比较：

• 同一验证集上的每类 AP、召回率和混淆矩阵；
• 真实业务图片和视频中的误检、漏检；
• PyTorch、ONNX、TensorRT 等实际后端延迟；
• CPU、GPU、边缘设备上的内存峰值；
• 批量大小为 1 和真实并发下的吞吐；
• 预处理、输出张量、NMS 与阈值行为。

不要使用官方 COCO 指标替代自己的业务验证。

模型尺寸#

• n：最轻，适合快速基线与资源受限设备。
• s：常见的速度和精度折中。
• m：需要更高精度且有足够算力。
• l、x：更大模型，需评估显存、延迟和部署成本。

模型越大不一定业务效果越好。小数据集、标注噪声或域偏移可能成为主要瓶颈。

验证与错误分析#

1
yolo detect val \
2
  model=runs/yolo11/baseline/weights/best.pt \
3
  data=data.yaml \
4
  imgsz=640 \
5
  plots=True

把错误按场景分组：

• 小目标和密集目标；
• 遮挡、模糊和低照度；
• 新设备或新摄像头；
• 背景相似导致误检；
• 类别定义重叠或标注不一致。

错误分析通常比盲目增加 epoch 更能改善模型。

导出与回归#

1
yolo export model=best.pt format=onnx imgsz=640 dynamic=True simplify=True

导出后建立回归样本集，比较：

• 检测数量；
• 类别 ID；
• 置信度偏差；
• 坐标偏差；
• 端到端延迟。

何时继续使用 YOLO11#

• 已经通过完整生产验证；
• 现有硬件和导出后端稳定；
• YOLO26 的收益尚未覆盖迁移成本；
• 项目需要成熟而不是追逐最新版本。

参考资料#

• YOLO11 官方文档
• Ultralytics 验证模式