学习笔记——yolov11预测函数所有参数说明

from ultralytics import YOLO
# 加载训练好的模型，改为自己的路径
model = YOLO('runs/train/exp/weights/best.pt')
source = './ultralytics-main/data/JPEGImages' #修改为自己的图片路径及文件名
# 运行推理，并附加参数
# model.predict(source, save=True)
model.predict(source,#图片或视频的源目录
              conf=0.5,#用于检测的 对象置信阈值，只有置信度高于此阈值的对象才会被检测出来
              iou=0.7,#非极大值抑制(NMS)的交并比(loU)值
              imgsz=160,#输入图像尺寸
              half=False,#使用半精度(FP16)
              device=0,#运行设备，如device=0或device = cpu
              max_det=300,#每个图像的最大检测数
              # vid_srtide=False,#视频帧率步长
              stream_buffer=False,#缓冲所有流帧( True )或 返回最近的帧( Fa1se )
              visualize=False,#是否可视化模型特征
              augment=False,#是否对预测源应用图像增强
              agnostic_nms=False,#是否使用类别不可知(无关)的非极大值抑制(NMS)
              classes=None,#按类别筛选结果，即classes=0或classes=[0,2,3]
              retina_masks=False,#是否使用高分辨率的分割掩膜
              embed=None,#返回给定层的特征向量/嵌入
              show=False,#如果环境允许，是否显示预测的图像和视频
              save=True,#是否保存预测的图像和视频
              save_frames=False,#是否保存预测的单个视频帧
              save_txt=False,#是否将结果保存为 .txt 文件
              save_conf=False,#是否将检测结果与置信度分数一起保存
              save_crop=False,#是否保存裁剪的图像与结果
              show_labels=False,#是否显示预测标签
              show_conf=False,#是否显示预测置信度
              show_boxes=False,#是否显示预测边界框
              line_width=None,#边界框的线宽(如果为 None ，则缩放为图像大小)
              )

注：如果是预测图片，需要把视频帧率步长注释