YOLO11命令行操作大全，yolo predict全参数解析
1. 引言：YOLO11与命令行操作的价值
目标检测作为计算机视觉的核心任务之一，广泛应用于智能监控、自动驾驶、工业质检等领域。YOLO（You Only Look Once）系列凭借其实时性高、精度优秀、部署便捷的特点，已成为业界主流的检测框架之一。截至2024年，由Ultralytics公司维护的YOLO11是该系列的最新版本，基于PyTorch构建，支持从训练到推理的全流程命令行操作。
对于开发者而言，掌握yolo predict命令的完整参数体系，不仅能快速验证模型效果，还能在不编写Python代码的前提下完成复杂场景下的推理任务。本文将系统梳理YOLO11命令行工具的使用方式，并对yolo predict的所有关键参数进行逐项解析，帮助读者实现高效、灵活的目标检测应用。
2. 环境准备与基础运行
2.1 镜像环境说明
本文所使用的YOLO11镜像为预配置深度学习环境，包含以下核心组件：
- Python 3.9+
- PyTorch 2.x + CUDA 支持
- Ultralytics 库（v8.3.9）
- Jupyter Notebook 与 SSH 远程访问支持
用户可通过Jupyter或SSH连接至实例，在终端中直接执行YOLO命令。
2.2 进入项目目录并运行脚本
首先切换至Ultralytics主目录：
cd ultralytics-8.3.9/可选：运行内置训练脚本以验证环境完整性：
python train.py该命令将启动默认配置的训练流程，用于确认依赖库和GPU驱动正常工作。
3. yolo predict 核心命令详解
YOLO11提供统一的CLI接口，其中yolo predict是最常用的推理命令。其基本语法如下：
yolo task=detect mode=predict model=yolov11n.pt source='bus.jpg'也可简写为：
yolo predict model=yolov11n.pt source='bus.jpg'系统会自动推断任务类型（detect）和模式（predict）。下面我们对各项参数进行详细拆解。
3.1 model：指定模型文件
| 参数 | 示例值 | 说明 |
|---|---|---|
model | yolov11n.pt,yolov11s.pt,custom_model.pt | 指定加载的模型权重文件 |
若使用官方预训练模型（如
yolov11n.pt），YOLO会自动从GitHub下载并缓存。支持本地路径加载自定义训练模型，例如：
yolo predict model=./runs/train/exp/weights/best.pt source=test.jpg
提示：YOLO11提供多个尺寸变体（n/s/m/l/x），参数量与速度依次递增，适用于不同硬件条件与精度需求。
3.2 source：输入数据源
| 参数 | 示例值 | 说明 |
|---|---|---|
source | 'bus.jpg','data/images/','https://example.com/img.jpg',0,'video.mp4' | 定义输入源类型 |
支持多种输入格式：
- 单张图像：
source='img.jpg' - 图像目录：
source='data/test/'（自动遍历所有图片） - 视频文件：
source='video.mp4' - RTSP流或摄像头：
source='rtsp://stream_url'或source=0（本地摄像头） - 网络图片URL：
source='https://xxx.com/test.jpg'
注意：路径含空格时建议用引号包裹，避免shell解析错误。
3.3 device：设备选择
| 参数 | 示例值 | 说明 |
|---|---|---|
device | 0,0,1,cpu,cuda:0 | 指定推理设备 |
常见用法：
- 使用第0块GPU：
device=0 - 使用多GPU并行：
device=0,1 - 强制使用CPU：
device=cpu - 显式指定CUDA设备：
device=cuda:0
建议：若无特殊需求，优先使用GPU加速；资源受限场景可降级至CPU。
3.4 imgsz：输入图像尺寸
| 参数 | 示例值 | 说明 |
|---|---|---|
imgsz | 640,[640, 640] | 设置模型输入分辨率 |
默认值为640，表示将输入图像缩放到640×640进行推理。
可接受整数（等比缩放）或列表（非等比拉伸）：
yolo predict model=yolov11n.pt source=img.jpg imgsz=320 # 小尺寸，更快 yolo predict model=yolov11n.pt source=img.jpg imgsz=[480,640] # 自定义宽高
权衡建议：增大
imgsz可提升小物体检测能力，但显著增加计算开销。
3.5 conf：置信度阈值
| 参数 | 示例值 | 说明 |
|---|---|---|
conf | 0.25,0.5,0.7 | 过滤低置信度预测框 |
- 所有检测结果的置信度必须 ≥ 此值才会被保留。
- 降低
conf可提高召回率（检出更多目标），但可能引入误报； - 提高
conf则更严格，适合高精度要求场景。
示例：
yolo predict model=yolov11n.pt source=img.jpg conf=0.3 # 更宽松 yolo predict model=yolov11n.pt source=img.jpg conf=0.7 # 更保守3.6 iou：NMS交并比阈值
| 参数 | 示例值 | 说明 |
|---|---|---|
iou | 0.45,0.7 | 非极大值抑制（NMS）的IOU阈值 |
- NMS用于去除重叠的边界框。当两个框的IOU（交并比）超过此值时，得分较低的框将被剔除。
- 较低值（如0.2）会导致更多框保留，可能出现重复检测；
- 较高值（如0.7）则更激进地去重。
典型搭配：
yolo predict model=yolov11n.pt source=img.jpg conf=0.5 iou=0.453.7 save：是否保存结果图像
| 参数 | 示例值 | 说明 |
|---|---|---|
save | True,False | 控制是否将检测结果绘图保存到磁盘 |
- 默认为
True，结果保存在runs/detect/predict/目录下。 - 若仅需获取检测数据而不保存图像，设为
False以节省I/O开销：
yolo predict model=yolov11n.pt source=img.jpg save=False3.8 project 与 name：输出路径管理
| 参数 | 示例值 | 说明 |
|---|---|---|
project | 'my_results' | 指定结果根目录 |
name | 'exp_detect' | 指定子文件夹名称 |
控制输出路径结构：
yolo predict model=yolov11n.pt source=img.jpg project=my_results name=day1_test生成路径：my_results/day1_test/
优势：便于组织不同实验的结果，避免覆盖。
3.9 exist_ok：允许覆盖已有结果
| 参数 | 示例值 | 说明 |
|---|---|---|
exist_ok | True,False | 是否允许覆盖同名输出目录 |
- 默认为
False，每次运行生成新编号目录（如exp,exp2...） - 设为
True可强制覆盖旧结果：
yolo predict model=yolov11n.pt source=img.jpg name=test exist_ok=True3.10 classes：类别过滤
| 参数 | 示例值 | 说明 |
|---|---|---|
classes | 0,[0, 2, 5] | 仅检测指定类别的对象 |
COCO数据集共80类，常用类别ID如下：
- 0: person
- 2: car
- 5: bus
- 7: truck
示例：只检测人和车：
yolo predict model=yolov11n.pt source=traffic.jpg classes=[0,2]应用场景：交通监控中忽略无关物体，提升处理效率。
3.11 verbose：详细输出控制
| 参数 | 示例值 | 说明 |
|---|---|---|
verbose | True,False | 是否打印详细推理信息 |
- 开启后显示每帧耗时、各阶段延迟等调试信息。
- 生产环境中建议关闭以减少日志干扰。
3.12 stream：启用流式处理
| 参数 | 示例值 | 说明 |
|---|---|---|
stream | True,False | 是否以生成器方式逐帧处理 |
对于视频或摄像头输入，设置
stream=True可实现低延迟逐帧处理：yolo predict model=yolov11n.pt source=video.mp4 stream=True结合Python API可用于实时系统开发。
4. 实际案例演示
4.1 检测本地图片并保存结果
yolo predict model=yolov11n.pt source='data/bus.jpg' imgsz=640 conf=0.5 device=0输出路径：runs/detect/predict/
4.2 视频文件批量检测
yolo predict model=yolov11s.pt source='videos/traffic.mp4' save=True project=results name=traffic_det自动提取视频帧并生成带标注的视频。
4.3 多GPU推理加速
yolo predict model=yolov11l.pt source='large_dataset/' device=0,1 batch=16利用多卡并行提升吞吐量（需注意显存分配）。
4.4 实时摄像头检测
yolo predict model=yolov11n.pt source=0 device=0 imgsz=320 conf=0.4适用于边缘设备上的实时监控应用。
5. 性能参考与模型选择建议
以下是YOLO11系列部分模型在T4 GPU上的性能对比（基于COCO val2017）：
| Model | Size (pixels) | mAPval | Speed (ms) | Params (M) | FLOPs (B) |
|---|---|---|---|---|---|
| YOLO11n | 640 | 37.3 | 1.8 | 3.0 | 6.5 |
| YOLO11s | 640 | 44.9 | 2.9 | 11.4 | 24.6 |
| YOLO11m | 640 | 51.2 | 5.1 | 25.5 | 51.5 |
| YOLO11l | 640 | 53.4 | 7.0 | 44.6 | 86.7 |
| YOLO11x | 640 | 54.7 | 9.3 | 68.0 | 121.0 |
数据来源：Ultralytics官方文档（https://docs.ultralytics.com/models/yolo11/）
选型建议：
- 嵌入式/移动端：选用
yolov11n或yolov11s，兼顾速度与精度； - 服务器端高精度需求：采用
yolov11l/x； - 平衡型场景：推荐
yolov11m，性价比最优。
6. 总结
本文全面解析了YOLO11命令行工具中yolo predict命令的各项参数及其实际应用方法。通过合理组合这些参数，开发者可以在无需编写代码的情况下，快速完成图像、视频乃至实时流的检测任务。
核心要点回顾：
model决定检测能力，可根据场景选择合适大小的变体；source支持多样化输入，涵盖图像、视频、摄像头及网络资源；device和imgsz是性能调优的关键；conf与iou联合控制检测质量；classes和project/name提升工程实用性；- 命令行接口适合快速验证、自动化脚本和CI/CD集成。
掌握这些参数不仅提升了使用效率，也为后续深入定制化开发（如Python API调用、模型微调）打下坚实基础。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
