在上篇文章中YOLO11环境部署 || 从检测到训练https://blog.csdn.net/2301_79442295/article/details/145414103#comments_36164492，我们详细探讨了YOLO11的部署以及推理训练，但是评论区的观众老爷就说了：“博主博主，你这个只能推理只能推理图片，还要将图片放在文件夹下，有没有更简单方便的推理方法？” 有的兄弟，有的，像这样更简单的方法还有10086个，下面我挑一个用于流式视频文件检测。

图片文件

对于图片文件，将图片放在picture文件夹下太麻烦，同样采用选择图片进行检测，同时可以框选多个图片，可以将以下代码复制到predict_images.py运行检测：

fromultralytics importYOLOimportcv2importtorchfrompathlib importPathimportosimporttkinter astkfromtkinter importfiledialogdefchoose_input_files():root =tk.Tk()root.withdraw()# 隐藏主窗口image_paths =filedialog.askopenfilenames(title="选择图片文件",filetypes=[("图片文件","*.jpg;*.jpeg;*.png;*.bmp;*.tiff;*.gif"),("所有文件","*.*")])ifnotimage_paths:print("未选择任何图片文件，程序退出")exit(0)returnimage_pathsdefdetect_images():# ======================= 配置区 =======================# 模型配置model_config ={'model_path':r'E:git-projectYOLOV11ultralytics-mainweightsyolo11n.pt',# 本地模型路径'download_url':'https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt'# 如果没有模型文件可在此处添加下载URL}# 推理参数predict_config ={'conf_thres':0.25,# 置信度阈值'iou_thres':0.45,# IoU阈值'imgsz':640,# 输入分辨率'line_width':2,# 检测框线宽'device':'cuda:0'iftorch.cuda.is_available()else'cpu'# 自动选择设备}# ====================== 配置结束 ======================try:# 选择图片文件image_paths =choose_input_files()# 创建保存目录：代码文件所在目录下的 predict 文件夹save_dir =os.path.join(os.getcwd(),"predict","exp")os.makedirs(save_dir,exist_ok=True)ifos.path.exists(save_dir):i =1whileos.path.exists(f"{save_dir}{i}"):i +=1save_dir =f"{save_dir}{i}"os.makedirs(save_dir)# 加载模型（带异常捕获）ifnotPath(model_config['model_path']).exists():ifmodel_config['download_url']:print("开始下载模型...")YOLO(model_config['download_url']).download(model_config['model_path'])else:raiseFileNotFoundError(f"模型文件不存在: {model_config['model_path']}")# 初始化模型model =YOLO(model_config['model_path']).to(predict_config['device'])print(f"✅ 模型加载成功 | 设备: {predict_config['device'].upper()}")# 处理每个选定的图片文件forimage_path inimage_paths:print(f"正在处理图片: {image_path}")img =cv2.imread(image_path)ifimg isNone:print(f"无法读取图片: {image_path}")continue# 执行推理results =model.predict(source=img,# 输入图片stream=False,# 禁用流模式verbose=False,conf=predict_config['conf_thres'],iou=predict_config['iou_thres'],imgsz=predict_config['imgsz'],device=predict_config['device'])# 解析并绘制结果（取第一个结果）forresult inresults:annotated_img =result.plot(line_width=predict_config['line_width'])break# 保存推理结果图像到文件output_image_path =os.path.join(save_dir,f"output_{os.path.basename(image_path)}")cv2.imwrite(output_image_path,annotated_img)print(f"推理结果已保存至: {output_image_path}")# 显示实时画面，取消下面注释就会边检测边弹出结果# cv2.imshow('YOLO Real-time Detection', annotated_img)# 等待按键退出当前图片查看ifcv2.waitKey(0)&0xFF==ord('q'):breakcv2.destroyAllWindows()print("✅ 检测结束")exceptException ase:print(f"\n❌ 发生错误: {str(e)}")print("问题排查建议：")print("1. 检查图片文件路径是否正确")print("2. 确认模型文件路径正确")print("3. 检查CUDA是否可用（如需GPU加速）")print("4. 尝试降低分辨率设置")if__name__ =="__main__":detect_images()

同样需要更改模型文件地址、fps）frame_width =int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))frame_height =int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))fps =cap.get(cv2.CAP_PROP_FPS)iffps ==0orfps isNone:fps =25# 如果无法获取fps，设定默认值# 构造输出视频文件路径output_path =os.path.join(save_dir,"output_inference.mp4")fourcc =cv2.VideoWriter_fourcc(*"mp4v")video_writer =cv2.VideoWriter(output_path,fourcc,fps,(frame_width,frame_height))print(f"推理视频将保存至: {output_path}")# 加载模型（带异常捕获）ifnotPath(model_config['model_path']).exists():ifmodel_config['download_url']:print("开始下载模型...")YOLO(model_config['download_url']).download(model_config['model_path'])else:raiseFileNotFoundError(f"模型文件不存在: {model_config['model_path']}")# 初始化模型model =YOLO(model_config['model_path']).to(predict_config['device'])print(f"✅ 模型加载成功 | 设备: {predict_config['device'].upper()}")print(f"输入来源: {source_desc}")# 实时检测循环whileTrue:ret,frame =cap.read()ifnotret:print("视频流结束或中断")break# 执行推理results =model.predict(source=frame,stream=True,# 流式推理verbose=False,conf=predict_config['conf_thres'],iou=predict_config['iou_thres'],imgsz=predict_config['imgsz'],device=predict_config['device'])# 遍历生成器获取结果（取第一个结果）forresult inresults:annotated_frame =result.plot(line_width=predict_config['line_width'])break# 摄像头模式下显示FPSifisinstance(input_source,int):fps =cap.get(cv2.CAP_PROP_FPS)cv2.putText(annotated_frame,f'FPS: {fps:.2f}',(10,30),cv2.FONT_HERSHEY_SIMPLEX,1,(0,255,0),2)# 显示实时画面cv2.imshow('YOLO Real-time Detection',annotated_frame)# 如保存视频，写入视频文件ifsave_video andvideo_writer isnotNone:video_writer.write(annotated_frame)# 按键退出qifcv2.waitKey(1)&0xFF==ord('q'):break# 释放资源cap.release()ifvideo_writer isnotNone:video_writer.release()cv2.destroyAllWindows()print("✅ 检测结束")ifsave_video andoutput_path isnotNone:print(f"推理结果视频已保存至: {output_path}")exceptException ase:print(f"\n❌ 发生错误: {str(e)}")print("问题排查建议：")print("1. 检查视频源是否正确连接或文件路径是否正确")print("2. 确认模型文件路径正确")print("3. 检查CUDA是否可用（如需GPU加速）")print("4. 尝试降低分辨率设置")if__name__ =="__main__":detect_media()

需要更改的参数：
1.model_path：模型文件位置，默认使用的是yolo11n.pt
2.predict_config下置信度等
3.分辨率等
需要注意的是退出按q，点击视频框的×是无法退出的，当然也可以使用Ctrl+C方式退出，退出不会造成摄像头不保存推理文件，文件保存在代码所在文件夹下predict文件夹内。