前言

在使用 YOLO 模型做目标检测的时候，调整推理参数算是一个核心技巧了。这就像是给模型做“微调”，让它能更好地适应各种不同的任务需求，比如是在服务器上跑还是在乎实时速度。

这些参数提供了很大的灵活性，让使用者能够对检测过程的各个环节进行精细控制。无论是想追求更快的速度、更高的准确度，还是想节省计算资源，都能通过调整这些参数来找到一个合适的平衡点。说白了，熟悉这些参数是把 YOLO 从“能用”变成“好用”的关键一步。

常见的推理参数

为了让大家能快速上手，下面这个表格整理了一些最常用、也最实用的推理参数。当然，如果想要查看最完整、最官方的参数列表，随时可以去查阅官方文档，那里有最全面的介绍。

示例：调整标注线条宽度

在目标检测任务中，YOLO模型会在输出图像上绘制边界框来标示检测到的物体。这些边界框的线条宽度其实是可以根据实际需求进行调整的。默认的线条宽度通常为1像素，但在某些情况下，比如需要在演示或报告中更清晰地展示检测结果时，可能需要更粗的线条来增强视觉效果。

通过设置line_width参数，开发者可以轻松控制边界框的线条粗细。这个参数接受一个整数值，单位为像素。数值越大，线条就越粗；数值越小，线条就越细。值得注意的是，在不同的应用场景下，合适的线条宽度可能会有所不同。例如，在处理高分辨率图像时，可能需要较粗的线条才能让边界框清晰可见；而在处理密集的小目标时，过粗的线条反而可能会遮挡重要细节。

下面是一个具体的代码示例，展示了如何将边界框线条宽度设置为8像素：

from ultralytics import YOLO
model = YOLO("yolo11n.pt") 
model.predict(
    source=r"ultralytics/assets/bus.jpg", 
    save=True,  
    show=False, 
    line_width=8,
)

在这个示例中，我们将line_width参数设置为8，这会使输出的边界框线条明显加粗。运行这段代码后，可以看到保存的推理结果图像中的边界框线条比默认情况下要粗很多，如下图所示。这种调整对于制作演示材料或者在复杂背景中突出显示检测目标特别有用。

实际应用中，建议根据输出图像的分辨率和具体使用场景来选择合适的线条宽度。对于大多数情况，3-5像素的线条宽度就能提供良好的可见性，同时又不会过于突兀。如果是在嵌入式设备或者移动端部署，考虑到计算资源和显示效果，可能需要使用较细的线条宽度来保持清晰的视觉效果。

示例：筛选特定类别

在实际的目标检测应用场景中，我们往往只需要关注某些特定类别的物体，而不希望被其他不相关的检测结果干扰。这时候，YOLO提供的classes参数就发挥了重要作用。这个参数就像一个智能过滤器，让开发者能够精确控制模型只输出感兴趣的物体类别。

以常见的应用场景为例：

• 在安防监控中，可能只需要检测"人"这一类别
• 在交通管理中，可能只关心"车辆"、“行人"和"交通标志”
• 在工业质检中，可能只需要检测特定的缺陷类型

使用classes参数前，需要了解数据集中各个类别的ID编号。以常用的COCO数据集为例：

• 0: person（人）
• 1: bicycle（自行车）
• 2: car（汽车）
• …（其他类别以此类推）

下面是具体的代码实现，展示如何通过设置classes参数来筛选检测结果：

from ultralytics import YOLO
model = YOLO("yolo11n.pt") 
model.predict(
    source=r"ultralytics/assets/bus.jpg", 
    save=True,  
    show=False, 
    classes=[0],  # 只检测类别 ID 为 0 的物体
)

在这个示例中，通过将classes参数设置为[0]，我们告诉模型只保留类别ID为0（即"人"）的检测结果。运行代码后，可以观察到模型确实只标注出了图像中的人物，而忽略了公交车、交通标志等其他物体。

这种类别筛选的功能带来了几个显著优势：

1. 提升处理效率：减少不必要的检测计算，加快推理速度
2. 简化结果分析：输出结果更加清晰聚焦，便于后续处理
3. 降低误检干扰：避免其他类别误检对结果的影响
4. 适应专业场景：针对特定应用需求定制检测范围

实际应用中，classes参数支持同时指定多个类别。比如在行人交通分析中，可以设置classes=[0, 1, 2]来同时检测人、自行车和汽车。这种灵活性使得YOLO模型能够更好地适应各种专业场景的特定需求。