YOLO11 预训练模型指南：Ultralytics、Roboflow Universe 与 HuggingFace

Soulock
2026年06月02日
- 技术

Ultralytics 官方预训练模型

YOLO11 由 Ultralytics 维护，提供五档大小（n/s/m/l/x），覆盖四类主要任务：

任务	示例权重	用途
目标检测	yolo11n.pt ~ yolo11x.pt	输出 bbox + 类别
实例分割	yolo11n-seg.pt ~ yolo11x-seg.pt	输出精确 Mask
姿态识别	yolo11n-pose.pt ~ yolo11x-pose.pt	人体关键点
旋转框（OBB）	yolo11n-obb.pt ~ yolo11x-obb.pt	遥感/倾斜目标

默认基于 COCO 80 类训练，可直接检测人、车、猫狗、手机、键盘等常见目标：

from ultralytics import YOLO

model = YOLO("yolo11m.pt")
results = model("image.jpg")

推理返回的 results 包含 bbox 坐标（xywh 或 xyxy）、置信度和类别 ID。

实例分割

model = YOLO("yolo11m-seg.pt")
results = model("image.jpg")

# 获取多边形点集（可直接转 YOLO 分割格式）
for r in results:
    for mask in r.masks.xy:
        print(mask)  # [[x, y], ...]

垂直场景预训练权重

不需要从头训练的常见场景权重可在以下平台获取：

Roboflow Universe：提供数千个社区训练好的 YOLO 权重，支持直接下载或 API 调用。常见方向：

安全帽检测（工地、工厂）
烟火检测
跌倒检测
车牌识别
PCB 缺陷检测
路面裂缝

HuggingFace：搜索 “yolo11” 或 “yolov8” 可找到专有领域微调版本，包含医学图像、农业、无人机航拍等方向。

更多可用模型

除 YOLO11 外，以下模型各有优势：

模型	特点	适用场景
YOLO-World	文本描述直接检测任意目标	零样本检测
YOLO12	Attention 架构，精度更高	精度优先
RT-DETR	Transformer 检测器，速度快	部署优先
RF-DETR	小数据集效果好	数据少的场景
YOLOX	无 AGPL 协议争议	商业部署
PP-YOLOE	百度飞桨出品	国内生态

YOLO-World 示例

from ultralytics import YOLO

model = YOLO("yolov8s-worldv2.pt")

# 设置类别（无需重新训练）
model.set_classes(["car", "person", "safety helmet"])

results = model("image.jpg")